hadoop小学生
精灵王
精灵王
  • 注册日期2018-09-13
  • 发帖数160
  • QQ3234520070
  • 火币360枚
  • 粉丝0
  • 关注0
阅读:5953回复:0

分词工具Hanlp基于感知机的中文分词框架

楼主#
更多 发布于:2019-04-03 11:11
结构化感知机标注框架是一套利用感知机做序列标注任务,并且应用到中文分词、词性标注与命名实体识别这三个问题的完整在线学习框架,该框架利用1个算法解决3个问题,时自治同意的系统,同时三个任务顺序渐进,构成流水线式的系统。本文先介绍中文分词框架部分内容。


中文分词


训练


只需指定输入语料的路径(单文档时为文件路径,多文档时为文件夹路径,灵活处理),以及模型保存位置即可:


命令行


java -cp hanlp.jar com.hankcs.hanlp.model.perceptron.Main -task CWS -train -reference data/test/pku98/199801.txt -model data/test/perceptron/cws.bin


API


 


    public void testTrain() throws Exception


    {        


        PerceptronTrainer trainer = new CWSTrainer();


        PerceptronTrainer.Result result = trainer.train(


            "data/test/pku98/199801.txt",


            Config.CWS_MODEL_FILE


            );


        //        System.out.printf("准确率F1:%.2f\n", result.prf[2]);


    }


事实上,视语料与任务的不同,迭代数、压缩比和线程数都可以自由调整,以保证最佳结果:


 


    /**


     * 训练


     *


     * @param trainingFile  训练集


     * @param developFile   开发集


     * @param modelFile     模型保存路径


     * @param compressRatio 压缩比


     * @param maxIteration  最大迭代次数


     * @param threadNum     线程数


     * @return 一个包含模型和精度的结构


     * @throws IOException


     */


    public Result train(String trainingFile, String developFile,


                        String modelFile, final double compressRatio,


                        final int maxIteration, final int threadNum) throws IOException


单线程时使用AveragedPerceptron算法,收敛较好;多线程时使用StructuredPerceptron,波动较大。关于两种算法的精度比较,请参考下一小节。目前默认多线程,线程数为系统cpu核心数。请根据自己的需求平衡精度和速度。


 


准确率


 


在sighan2005的msr数据集上的性能评估结果如下:


 

图片:图片1.png




l 语料未进行任何预处理


l 只使用了7种状态特征,未使用词典


l 压缩比0.0,迭代数50


l 总耗时包含语料加载与模型序列化


l 对任意PerceptronTagger,用户都可以调用准确率评估接口:






    /**


     * 性能测试


     *


     * @param corpora 数据集


     * @return 默认返回accuracy,有些子类可能返回P,R,F1


     * @throws IOException


     */


    public double[] evaluate(String corpora) throws IOException


速度


目前感知机分词是所有“由字构词”的分词器实现中最快的,比自己写的CRF解码快1倍。新版CRF词法分析器框架复用了感知机的维特比解码算法,所以速度持平。


 

图片:图2.png




l 测试时需关闭词法分析器的自定义词典、词性标注和命名实体识别


l 测试环境 Java8 i7-6700K


测试


测试时只需提供分词模型的路径即可:


 


public void testCWS() throws Exception


{


    PerceptronSegmenter segmenter = new PerceptronSegmenter(Config.CWS_MODEL_FILE);


    System.out.println(segmenter.segment("商品和服务"));


}


 
正常情况下对商品和服务的分词结果为[商品, 和, 服务]。建议在任何语料上训练时都试一试这个简单的句子,当作HelloWorld来测试。若这个例子都错了,则说明语料格式、规模或API调用上存在问题,须仔细排查,而不要急着部署上线。


另外,数据包中已经打包了在人民日报语料1998年1月份上训练的模型,不传路径时将默认加载配置文件中指定的模型。


在本系统中,分词器PerceptronSegmenter的职能更加单一,仅仅负责分词,不再负责词性标注或命名实体识别。这是一次接口设计上的新尝试,未来可能在v2.0中大规模采用这种思路去重构。

喜欢0 评分0
DKHadoop用着还不错!
游客

返回顶部