CRF分词的纯Java实现

与基于隐马尔可夫模型的最短路径分词、N-最短路径分词相比，基于随机条件场（CRF）的分词对未登录词有更好的支持。本文（HanLP）使用纯Java实现CRF模型的读取与维特比后向解码，内部特征函数采用 双数组Trie树(DoubleArrayTrie)储存，得到了一个高性能的中文分词器。

CRF简介

CRF是序列标注场景中常用的模型，比HMM能利用更多的特征，比MEMM更能抵抗标记偏置的问题。

CRF训练

这类耗时的任务，还是交给了用C++实现的CRF++。关于CRF++输出的CRF模型，请参考《CRF++模型格式说明》。

CRF解码

解码采用维特比算法实现。并且稍有改进，用中文伪码与白话描述如下：

首先任何字的标签不仅取决于它自己的参数，还取决于前一个字的标签。但是第一个字前面并没有字，何来标签？所以第一个字的处理稍有不同，假设第0个字的标签为X，遍历X计算第一个字的标签，取分数最大的那一个。

如何计算一个字的某个标签的分数呢？某个字根据CRF模型提供的模板生成了一系列特征函数，这些函数的输出值乘以该函数的权值最后求和得出了一个分数。该分数只是“点函数”的得分，还需加上“边函数”的得分。边函数在本分词模型中简化为f(s',s)，其中s'为前一个字的标签，s为当前字的标签。于是该边函数就可以用一个4*4的矩阵描述，相当于HMM中的转移概率。

实现了评分函数后，从第二字开始即可运用维特比后向解码，为所有字打上BEMS标签。

实例

还是取经典的“商品和服务”为例，首先HanLP的CRFSegment分词器将其拆分为一张表：

1 2 3 4 5

商   null    品   null    和   null    服   null    务   null

null表示分词器还没有对该字标注。

代码

上面说了这么多，其实我的实现非常简练：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43

/**  * 维特比后向算法标注  * @param table  */ public void tag(Table table) {     int size = table.size();     double bestScore = 0;     int bestTag = 0;     int tagSize = id2tag.length;     LinkedList<double[]> scoreList = computeScoreList(table, 0);    // 0位置命中的特征函数     for (int i = 0; i < tagSize; ++i)   // -1位置的标签遍历     {         for (int j = 0; j < tagSize; ++j)   // 0位置的标签遍历         {             double curScore = matrix[i][j] + computeScore(scoreList, j);             if (curScore > bestScore)             {                 bestScore = curScore;                 bestTag = j;             }         }     }     table.setLast(0, id2tag[bestTag]);     int preTag = bestTag;     // 0位置打分完毕，接下来打剩下的     for (int i = 1; i < size; ++i)     {         scoreList = computeScoreList(table, i);    // i位置命中的特征函数         bestScore = Double.MIN_VALUE;         for (int j = 0; j < tagSize; ++j)   // i位置的标签遍历         {             double curScore = matrix[preTag][j] + computeScore(scoreList, j);             if (curScore > bestScore)             {                 bestScore = curScore;                 bestTag = j;             }         }         table.setLast(i, id2tag[bestTag]);         preTag = bestTag;     } }

标注结果

标注后将table打印出来：

1 2 3 4 5 6

CRF标注结果 商   B   品   E   和   S   服   B   务   E

最终处理

将BEMS该合并的合并，得到：

1	[商品/null, 和/null, 服务/null]

然后将词语送到词典中查询一下，没查到的暂时当作nx，并记下位置（因为这是个新词，为了表示它的特殊性，最后词性设为null），再次使用维特比标注词性：

1	[商品/n, 和/cc, 服务/vn]

新词识别

CRF对分词有很好的识别能力，比如：

1 2 3

CRFSegment segment = new CRFSegment(); segment.enableSpeechTag(true); System.out.println(segment.seg("你看过穆赫兰道吗"));

输出：

1 2 3 4 5 6 7 8 9 10

CRF标注结果 你   S   看   S   过   S   穆   B   赫   M   兰   M   道   E   吗   S   [你/rr, 看/v, 过/uguo, 穆赫兰道/null, 吗/y]

null表示新词。