条件随机场（CRF）识别命名实体

资实验相关资料下载
CRF++使用见《CRF++的简单使用》
一、实验环境
a) 软件：windows XP pro sp3，visual studio 2008 & Dotnet2.0， CRF++， perl
b) 硬件： CPU: cm420，内存：2G ddr533，　160G 8M sata 富士通
二、实验过程
下面未经特别说明，都是按照作业要求将训练语料分成7:3进行训练和评测所得的结果。
a) 直接应用CRF
i. 所给定的语料格式非常符合条件随机场的要求，故直接使用条件随机场进行训练测试。（本次试验的文件在包test1.rar中）
1. 转换文档编码为UTF8（CRF++在使用UTF16时会报错）
2. 制定模板，如下：
#Unigram
U00:%x[-2,0]
U01:%x[-1,0]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U10:%x[-1,0]/%x[0,0]
U11:%x[0,0]/%x[1,0]
3. 使用CRF++学习特征（相关信息如下）
a) 命令：crf_learn template_file train_file model
其中template_file是模板文件，train_file是训练语料，都需要事先准备好；model是CRF++根据模板和训练语料生成的文件，用于解码。
i. template_file文件
1. 模板的基本格式为%x[row,col]，它用于确定输入数据中的一个token
其中，row确定与当前的token的相对行数。col用于确定绝对列数。（如下图：）

	col 0	col 1	col 2
row -2	疆	Ens	I-LOC
row -1	总	Bn	N
row 0	统	En	N	当前行
row 1	阿	Bns	B-PER
row 2	利	Mns	I-PER

模板	指代的特征
U00:%x[-2,0]	疆
U01:%x[-1,0]	总
U02:%x[0,0]	统
U03:%x[1,0]	阿
U04:%x[2,0]	利
U10:%x[-1,0]/%x[0,0]	总/统
U11:%x[0,0]/%x[1,0]	统/阿

2. 特征模板的类型
a) 第一种以字母U开头，为Unigram template。当模板前加上U之后，CRF会自动生成一个特征函数集合。
一个模型生成的特征函数的个数总数为L*N，其中L是输出的类别数，N是根据给定的template扩展出的独立串(unique string )的数目。
b) 第二种特征模板以B开头，即Bigram template
它用于描述Bigram特征。系统将自动产生当前输出token与前一个输出token的组合。产生的可区分的特征的总数是L*L*N，其中L是输出类别数，N是这个模板产生的unique features数。
c) 两种模板的区别
注意：Unigram/Bigram是指输出token的Unigram/Bigrams，而不是特征！
unigram：|output tag|×|从模板中扩展的所有可能串|
bigram: |output tag| × |output tag| × |从模板中扩展的所有可能串|
b) iter=88 terr=0.01365 serr=0.23876 obj=67066.17413 diff=0.00006
其中：iter是迭代次数；terr是词错误率；serr是句错误率；obj是当前对象值，当它收敛时，迭代结束；diff是与上一对象的差。
4. Done!2706.41 s，用时间2706.41s（在电脑1上）。
5. 对测试语料进行测试
a) 命令：crf_test -m model_file test_file > result_file
其中 model_file是刚才生成的model文件，test_file是待测试语料，“>result_file”是重定向语句，指将屏幕输出直接输出到文件result_file中。
b) CRF++的解码速度是很快的，尤其是直接写入文件时。但是因为特征选取的问题，正确率、召回率都不高。
c) 结果使用conlleval.pl程序测评。（其代码在提交包根目录中）
测评的命令为：perl conlleval.pl < output.txt，其中output.txt为待评测文件，需要perl解释器支持。详细结果如下：

LOC:	precision:	63.67%;	recall:	72.93%;	FB1:	67.98	5623	382251.5
ORG:	precision:	21.26%;	recall:	35.90%;	FB1:	26.71	4491	119954.6
PER:	precision:	65.90%;	recall:	65.06%;	FB1:	65.47	2554	167210.4
					宏平均	53.38667	微平均：	52.84311

ii. 因为刚才特征选取地特别少，故猜想多加入有效特征可以提高结果，于是把模板定义如下：（本次试验的相关数据文件在包test2.rar中）
1. 模板2：
#Unigram
U00:%x[-2,0]
U01:%x[-1,0]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U5:%x[-2,0]/%x[-1,0]
U6:%x[-1,0]/%x[0,0]
U7:%x[0,0]/%x[1,0]
U8:%x[1,0]/%x[2,0]
2. 相关的实验数据如下：
a) 训练过程：
iter=94 terr=0.00571 serr=0.12313 obj=53321.45523 diff=0.00000
Done!2915.53 s
b) 测试结果：

LOC:	precision:	66.86%;	recall:	74.31%;	FB1:	70.39	5456	384047.8
ORG:	precision:	26.95%;	recall:	41.02%;	FB1:	32.53	4048	131681.4
PER:	precision:	68.29%;	recall:	65.67%;	FB1:	66.96	2488	166596.5
					宏平均	56.62667	微平均：	56.89841

的确有所进步，但是还是明显显低。
a) 制定规则，改进结果
i. 对结果进行分析（详见各包中以error开头的文件），可以发现错误主要有以下几种：
1. 同一实体内不同字间的类型不同，则以字类数较多者为准
a) 个数相同时，多数情况下为LOC
2. 实体开头的字必定为B-???格式
3. 实体的开始和结尾都有特定的特征可以遵循（如停用词、动词等作为分界等）
4. 固定实体后跟实体应为B-???格式（如省名后）
5. 实体间间隔较小时可能合并为同一实体
6. ……
ii. 根据以上特点对结果进行优化，计划依次试验各个规则。但因时间因素，只检测了四五种，其中较有效果的是前两种（即规则1和2），两者结合可以把结果成绩提高12%左右。在test2的结果上加以更正，得到的结果如下：

LOC:	precision:	79.40%;	recall:	76.43%;	FB1:	77.89	4966	386801.7
ORG:	precision:	53.86%;	recall:	52.63%;	FB1:	53.24	3457	184050.7
PER:	precision:	80.88%;	recall:	67.09%;	FB1:	73.34	2327	170662.2
					宏平均	68.15667	微平均：	68.9781

虽然F值有很大提高，但是还是太不理想
c) 先分词并标注词性信息，再用CRF学习规则
i. 看来单从字的角度着眼已然不够，于是试图利用分词和词性标注信息。因为题目未给出相应信息，故用分词标注信息先进行分词标注（分词标注工具见附件包根目录）。
ii. 分词标注后，字的特征如下所示：

字	词性及分词标记	实体标记
：	Sw	N
印	Bns	B-LOC
度	Ens	I-LOC
首	Bd	N
先	Ed	N

iii. 于是针对其建立模板：
iv. 以此模板进行训练，得到模型后进行测试，最后用conlleval测得结果如下：
iter=226 terr=0.00935 serr=0.17661 act=2913330 obj=42785.69115 diff=0.00009
Done!4502.97 s

LOC:	precision:	82.05%;	recall:	89.97%;	FB1:	85.83	20309	1743121
ORG:	precision:	48.36%;	recall:	65.12%;	FB1:	55.5	13818	766899
PER:	precision:	91.52%;	recall:	93.15%;	FB1:	92.33	9189	848420.4
					宏平均	77.88667	微平均：	77.53349

v. 对此结果再以用前面建立的规则优化，最终得到结果如下：

LOC:	precision:	90.34%;	recall:	90.37%;	FB1:	90.36	18878	1705816
ORG:	precision:	70.47%;	recall:	71.54%;	FB1:	71	12474	885654
PER:	precision:	94.85%;	recall:	92.70%;	FB1:	93.76	8954	839527
					宏平均	85.04	微平均：	85.12373

在此基础上对Test_utf16.ner进行训练，最终得到finalAnswer.txt
三、实验结果对照表

编号	使用策略	结果	方法改进	性能提升
1	单字CRF(1)	约53%
2	单字CRF(1)	约56.7%	使用更多的特征信息	约3.7%	特征对于结果有较大影响，但因硬件条件和时间原因未能引入更多的特征加以佐证。
3	单字CRF+规则	约68.5%	人工添加规则，对结果进行优化	约11.8%	规则可以弥补机器学习方法的不足，依次（并改变规则的顺序）尝试各种规则。
4	分词+词性标注+CRF	约77.7%	采用了不同方法	约9.2%	引入词的概念显然
5	分词+词性标注+CRF+规则	约85.1%	在4基础上引入规则	约7.4%	机器学习方法的某些弊端不随条件的变化而变化
6

四、未来的工作
a) 尝试更多的规则，尽量减少机器学习方法的弊端；
b) 尝试把分词和词性信息作为不同的属性，看看对结果有什么影响；
c) 改进分词及词性标注的正确率，以便收到更好的命名实体识别的效果。
五、注意事项
a) 编码格式可能造成某些文件无法正常处理，当出现格式错误时要留心一下；
b) 各个程序所需要的分隔符不尽相同，主要是空格和制表符，在遇到问题时注意看是不是分隔符不符合程序要求；
c) 实验过程中开发的一些实用小工具并未提供说明书，但这些小工具界面简洁，使用方便，应该很容易掌握。

Felomeng.BackFormation	用于在标准格式和分词标注格式之间转换，还附带将两种标记合并、将分词标注信息删除两个功能
Felomeng.ErrorExtractor	错误提取工具，可以方便地从结果（带答案）中提取错误，以便于实验分析
Felomeng.NERRules	本来有四个功能，因为实验中验证了前三个功能效果不佳，固主要功能就是改善结果（对机器学习方法的结果进行规则化改进）。

后记：其实结果和使用的训练测试数据的选择很有关系，本人采用的是前70%训练，后30%测试。后经改进选取方法，正确率可以达92%以上，有兴趣的可以改变一下训练语料和测试语料的提取方式。