Hanlp 中使用纯 JAVA 实现 CRF 分词

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，基于条件随机场（ 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。

开源项目

本文代码已集成到 HanLP 中开源： http://hanlp.com/

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 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：

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：

标注结果

标注后将 table 打印出来：

最终处理

将 BEMS 该合并的合并，得到：

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：

新词识别

CRF 对新词有很好的识别能力，比如：

输出：

null表示新词。

转载自 hankcs的博客