NNCRF之NNSegmentation, NNPostagging, NNNameEntity

这里主要介绍NNSegmentation

介绍：

NNSegmentation是一个基于LibN3L的利用神经网络来进行分词的工具。

他可以通过不同的模型（NN, RNN, GatedNN, LSTM and GRNN)） 以及不同的方法（Softmax, CRF Max-Margin, CRF Maximum Likelihood)组合来训练。

它还提供稀疏特征与模型相结合的能力。

SparseCRFMMLabeler仅仅考虑稀疏的特征 实现起来像CRF条件随机场模型

LSTMCRFMMLabeler 仅仅用neural embeddings作为输入并且利用CRF Maximum Likelihood来训练

SparseLSTMCRFMMLabeler支持sparse features和neural embeddings作为输入，并且利用CRF Maximum Likelihood来训练

首先去https://github.com/zhangmeishan

找到：NNSegmentation, NNPostagging, NNNameEntity下载

这里需要用到LibN3L mahadow OpenBLAS并且把它们与NNSegmentation, NNPostagging, NNNameEntity放在同一级的目录下

先阅读NNSegmention下的README.md

然后进入到example的文件夹里找到run.sh

我觉得老师在NNSegmention放的exaple特别好～

因为你只要读readme.txt和run.sh就都能懂了。而且连语料都放好了都在example下的pku目录里,言归正传

1.如何运行：

首先敲入cmake .

然后敲入make形成可执行文件(关于make与cmake的区别可以看这里：http://blog.sina.com.cn/s/blog_74a459380102uxlz.html)

然后进去到example目录下去 敲入：sh run.sh

2.查看输出结果、

这时候在pku.sample里生成我所选中的这三个文件，每一个文件记录着这三个模型分别在测试集和开发集上的表现。还有那三个文件夹，每个文件夹里会有pku.dev.featsOUTnodrop 和 pku.test.featsOUTnodrop，这里分别记录着在目前测试集和开发集最好的标记结果。

你也可以查看这里的内容。

最后可以看到类似于这样的结果：

Recall:P=43285/46549=0.92988, Accuracy:P=43285/46435=0.932163, Fmeasure:0.93102

召回率，精确率，以及F-measure也称F-score(我在zpar里提到过，大家也可以在这里看：http://baike.baidu.com/link?url=e0QzM2lTDGEXTzF3Y5KLlpo7h4U-5HLL8ukL-qPqSAiitXEyfJml_apQqSzxo6btsdIG6BZXfZuOO6b31Con_K)

3.特征模版Feature Template

举个例子：
`共同  创造 美好  的  新  世纪  ——  二○○一年  新年  贺词`, 抽取特征 "美"   
`美 [T1]造美 [T2]创造美 [S]C-2=创 [S]C-1=造 [S]C0=美 [S]C1=好 [S]C2=的 [S]C-2C-1=创造 [S]C-1C0=造美 [S]C0C1=美好 [S]C1C2=好的 [S]C-1C1=造好 [S]C0C2=美的 [S]RC0C-2=0 [S]RC0C-1=0 [S]C-1C0C1=造美好 [S]TC-1=4 [S]TC-11==444 [S]TC-22==44444 b-seg`

红色标记证明  ：

“美“是“美“是“美好”的第一个词

• 当前特征的下标为0，前一个是-1，后一个是（+）1，（-2 ，2也是这样）
• C0代表当前的特征“美“，C1是前一个特征“造”
• Ci前面的[S]只是说明它是sparse的
• RC0C1是relationship C0 C1 相等就是1  不相等就是0  RCOC1 “美“和“造“当然不是一个特征了所以就是0
• T1代表当前特征和前一个特征连起来组成的特征
• T2代表当前特征和前两个连起来组成的特征
• [S]TC-1=4     [S]TC-11==444     [S]TC-22==44444这个又是什么意思呢？
• there are five types.  0: Punctuation, 1: Alphabet, 2:Date, 3: Number, 4: others
• 我认为是这样：
• TC-1是前一个特征的类型标记
• TC-11是前一个特征(-1)，当前特征(0)，后一个特征(1)的类型标记组合（所以是三个数444）
• TC-22也是这样44444 所以是5个数
• 我觉得这个例子并不是很好，因为都是others
• b-seg m-seg e-seg s-seg 分别是第一个字 中间的字 末尾的字 一个单独的字 （哈尔滨 的 天气： 哈b-seg 尔m-seg 滨e-seg 的s-seg 天b-seg 气e-seg）

可以再分析下，下面这个例子   一九九八年 新年 讲话

年 [T1]新年 [T2]年新年 [S]C-2=年 [S]C-1=新 [S]C0=年 [S]C1=讲 [S]C2=话 [S]C-2C-1=年新 [S]C-1C0=新年 [S]C0C1=年讲 [S]C1C2=讲话 [S]C-1C1=新讲 [S]C0C2=年话 [S]RC0C-2=1 [S]RC0C-1=0 [S]C-1C0C1=新年讲 [S]TC-1=4 [S]TC-11==424 [S]TC-22==24244 e-seg

红色标记证明  ：年是“一九九八年”的最后一个词

以下是英文版的。。。

+ character unigram,  Ci\_i  ( -2=<i<=2 ).
+ character bigram,  C\_{i-1}C\_i   ( -2=<i<2 ),  C-1C1, C0C2
+ whether two characters are equal, RC0C-2 and RC0C-1
+ character trigram, C-1C0C1
+ type(C0),  there are five types.  0: Punctuation, 1: Alphabet, 2:Date, 3: Number, 4: others
+ type(C-1C0C1)
+ type(C-2C-1C0C1C2)

For example, considering this sentence
`共同  创造 美好  的  新  世纪  ——  二○○一年  新年  贺词`, the extracted features for the fifth character "美" is   
`美 [T1]造美 [T2]创造美 [S]C-2=创 [S]C-1=造 [S]C0=美 [S]C1=好 [S]C2=的 [S]C-2C-1=创造 [S]C-1C0=造美 [S]C0C1=美好 [S]C1C2=好的 [S]C-1C1=造好 [S]C0C2=美的 [S]RC0C-2=0 [S]RC0C-1=0 [S]C-1C0C1=造美好 [S]TC-1=4 [S]TC-11==444 [S]TC-22==44444 b-seg`   
where
* 美 is the current character. You should use "-word" to specify the character unigram embeddings.
* [T1] and [T2]. Things started with "[T" are additional targets which need to be embedded. Here we use character bigram embeddings and character trigram embeddings.  You should use "-tag" to specify these embeddings and use comma as a delimiter between embedding file paths.
For example, "-tag t2.vec,t3.vec".
* [S]. Things startd with [S] are sparse features.
* b-seg is the tag for current character. Tags must be augmented with '-seg' postfix to indicate this is a segmentation task but not a classification application.

后记：

感觉那些模型TNN, RNN, GatedNN, LSTM and GRNN，都也只是听说过，都不知道具体的是什么。。。。

要努力学这些基础知识啊～～～