用CRF做命名实体识别——NER系列（三）

在上一篇文章《用隐马尔可夫模型(HMM)做命名实体识别——NER系列（二）》中，我们使用HMM模型来做命名实体识别，将问题转化为统计概率问题，进行求解。显然，它的效果是非常有限的。

在深度学习技术火起来之前，主流的、最有效的方法，就是CRF(条件随机场)模型。本文不对CRF模型进行展开讲解，而是结合我之前参加的CCF BDCI的其中一个赛题，直接用CRF++工具进行实战。下面直接进入正题。

1.赛题解读

赛题介绍：https://www.datafountain.cn/competitions/269/details/rule

总结一下，这个题目要求我们对数据集中的每条记录，提取出正文中的主要机构实体，判断这些机构的风险等级（中性，正向或负向），并为每个实体生成相应的摘要和关键词。

我接下来主要讲提取实体这一部分，用的是CRF模型，训练直接使用CRF++工具(http://taku910.github.io/crfpp/)(似乎被墙了？)。

2.算法流程图

3.算法说明

3.1 定义实体标注集

为了确保最后的机构实体识别准确度，使用BMEWO标注集，各个标注的意义如下：

B:实体的开头

M:实体的中间部分

E:实体的结束

W:单独成实体

O:句子的其它成分

比如下面这个句子(已做分词处理)：

山西相立山泉饮品开发有限公司生产的桶装饮用水检出铜绿假单胞菌

背后的标注为：

山西/B 相立/M 山泉/M 饮品/M 开发/M 有限公司/E 生产/O 的/O 桶装/O 饮用水/O 检出/O 铜绿/O 假/O 单胞菌/O

3.2训练文本、测试文本预处理

对训练文本进行中文分词、去除停用词的处理,并根据上述的标注集进行标注。同时，除了词本身，还引入了4个特征：

特征①：【词性】，用jieba分词识别出来的词性

特征②：【是否是特征词】，该词是特征词，标记1；不是特征词，标记0。这里的特征词是指“实体通常的结尾词”，比如“有限公司”，“药监局”，“超市”等等，这些特征词来源于两个地方：

从训练集中分词得到。
从开源中文分词工具hanlp的机构名词典中整理得到。

特征③：【是否是地点】，该词是地点，标记为isloc；该词不是地点，标记为notloc。这里的地点信息我们是从jieba的分词词性标注功能中得到的，词性标注为ns的一般是地点。

特征④：【是否是句子结束】，该词是这个句子的结束词，标记为isend；否则标记为notend。

训练文本在经过预处理之后，格式如下：

宁夏      ns   0     isloc      notend B

物美      nz   0     notloc notend M

超市      v     1     notloc notend M

有限公司    n     1     notloc notend M

森林公园    n     0     notloc notend M

店   n     1     notloc isend    E

其中，第一列为词本身，第二列为特征①，第三列为特征②，第四列为特征③，第五列为特征④，第六列列为正确标注。

测试文本的预处理和上面的基本一样，区别在于，测试文本没有正确的实体标注，所以测试文本的预处理文件只有五列。最后我们要用CRF模型预测的是第六列—标注。

3.3训练CRF模型

CRF模型的训练，需要一个特征模板，以便能够自动在训练文本中提取特征函数，特征模板的定义直接决定了最后的识别效果。

针对此次的机构实体，我们定义了几种特征模板，最终选择了以下模板：

# Unigram

U01:%x[-2,0]

U02:%x[-1,0]

U03:%x[0,0]

U04:%x[1,0]

U05:%x[2,0]

U06:%x[-2,0]/%x[-1,0]/%x[0,0]

U07:%x[-1,0]/%x[0,0]/%x[1,0]

U08:%x[0,0]/%x[1,0]/%x[2,0]

U09:%x[-1,0]/%x[0,0]

U10:%x[0,0]/%x[1,0]

U11:%x[-1,1]/%x[0,1]/%x[1,1]

U12:%x[-1,1]/%x[0,1]

U13:%x[0,1]/%x[1,1]

U14:%x[0,1]/%x[0,2]

U15:%x[-1,1]/%x[0,2]

U16:%x[-2,1]/%x[-1,1]/%x[0,2]

U17:%x[-1,1]/%x[0,2]/%x[1,1]

U18:%x[0,2]/%x[1,1]/%x[2,1]

U19:%x[0,0]/%x[0,2]

U20:%x[-1,0]/%x[0,2]

U21:%x[-2,0]/%x[-1,0]/%x[0,2]

U22:%x[-1,0]/%x[0,2]/%x[1,0]

U23:%x[0,2]/%x[1,0]/%x[2,0]

# Bigram

B

下面解释一下上述特征模板：

①Unigram类型

每一行%x[#,#]生成一个CRFs中的点(state)函数: f(s, o), 其中s为t时刻的标签(output)，o为t时刻的上下文以及特征信息。

比如：U06:%x[-2,0]/%x[-1,0]/%x[0,0]

U06是指这个特征模板的编号，对于%x[-2,0]而言，%x是指找到的字符；[-2,0]是定位信息，其中中括号里面的-2是指当前词的前两个词，0是指第0列。后面用/连接的是多个特征的组合。

对于以下的训练文本：

宁夏     ns   0     isloc      notend B

物美     nz   0     notloc notend M

超市     v     1     notloc notend M

有限公司   n     1     notloc notend M

森林公园   n     0     notloc notend M

店 n     1     notloc isend    E

假如当前识别到第三行，则U06:%x[-2,0]/%x[-1,0]/%x[0,0]对应识别出来的文本为宁夏/物美/超市。

这就相当于我们在文本中找到的一条特征。

②Bigram类型

每一行%x[#,#]生成一个CRFs中的边(Edge)函数:f(s’, s, o), 其中s’为t – 1时刻的标签.也就是说,Bigram类型与Unigram大致机同,只是还要考虑到t – 1时刻的标签.这里只写一个B,默认生成f(s’, s).

有了特征模板以及训练文本文件，就可以进行CRF模型训练了，我们采用了CRF++这个开源工具包进行训练，使用默认参数，最终模型识别出来的特征有11616755条。

3.4预测、生成实体

有了上述预处理测试文本和训练生成的CRF模型，我们可以进行测试文本的标签预测,生成crf_test_output.txt。

由于crf_test_output.txt里面预测的是每个词背后的标注，我们还要做一个后处理工作才能把真正的实体提取出来。

用正则表达式B+M*E+或者W匹配文本，然后将其背后的文字提取出来，就是识别出来的机构实体。

3.4效果和缺点

在使用CRF模型之后，我们得到了不错的效果。线下训练文本的实体召回率可以达到91.3％，另外，识别出来的无效实体也少了很多。

和基于规则的实体识别相比，它有着以下优点：

通过特征模板，能够最大限度的挖掘文本的特征，而不需要人工提取。
能够考虑大量的上下文信息、特征。
考虑了相邻词的标注信息，这是传统的最大熵算法所不具备的。
和神经网络模型相比，CRF模型的可解释性强，具体到每一个特征都有可以解释的意义。因此调整起来比较容易。

当然，这个模型也不是完美的，比如，我们训练的这个模型就比较“看重”机构特征词。举个例子，如果“下属公司”单独出现，则它也可能会被识别为机构名，需要我们人工定义一些规则将其去除。

CRF++工具的使用就没有介绍了，训练的过程只需要预处理语料以及模板文件，预处理语料格式和模板文件，在上文已经体现出来了，感兴趣的朋友，缺少语料或者工具，可以找我要。

代码和语料：
https://www.lookfor404.com/命名实体识别的语料和代码/