如果你只是想要简单的如何使用CRF++， 建议阅读

 http://blog.csdn.net/Felomeng/article/details/4288492 。

这里以一个具体的例子介绍CRF++的一些思想和代码的实现过程。就加入我们想利用CRF++来进行分词。

一. 数据及其格式介绍

Train.data

中 F1 B-NP
华 F2 I-NP
人 F3 B-NP
民 F4 I-NP
共 F5 B-NP
和 F6 M-NP
国 F7 I-NP
国 F8 B-NP
家 F9 I-NP
主 F10 B-NP
席 F11 I-NP

Template:

# Unigram
U00:%x[-2,0]
U01:%x[-1,0]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U05:%x[-1,0]/%x[0,0]
U06:%x[0,0]/%x[1,0]

U12:%x[0,1]

# Bigram
B

根据给定的template 和训练数据，需要得到一个CRF模型。

这里先对数据进行一个简单的介绍，

Train.data:

中 F1 B-NP
华 F2 I-NP
人 F3 B-NP
对于输入的一句话，最基本的单元是一个个的字。所以我们处理的单元是字。我们的任务是判断每个字到底是词首，词中还是词尾。 在训练数据中，我们用B-NP, M_NP, I_NP分别表示词首，词中，词尾。  训练数据的最后一列表示训练集中每个字属于哪一类。 而F1， F2， F3..... 则是表示每个字的其他特征，比如词性，频率等。为了方便，这里假设这一列是词性列。你可以为它任意添加新的特征，这也是CRF的优势之一。但是一般来说，你如果在训练集中定义了新特征，那么你在 template 中必须想办法用上。

Template:

U00:%x[-2,0]
U01:%x[-1,0]

U12:%x[0,1]

表示什么意思，U00代表模板的名字， -2 代表当行，意思是和当前字的位置，-2表示当前字的前面第2个字，比如，当前是“人”，-2代表是“中”。 注：如果当前是第一个字，如“中”，则-1用B-1，-2用B-2  代替。  第二个数字 0 代表训练数据中第几个特征，如这里0代表第一列汉字，1代表 F1，F2，F3这一词性列。则 U00:%x[-2,0]的意思是当前字的前面第二个汉字是什么？ U12:%x[0,1]代表当前字的词性是什么？

# Bigram
B

表示的是bigram，这里只有一个，表示只计算相邻的字之间的bigram。

二. 数据在CRF++中的组织结构

中 F1 B-NP
华 F2 I-NP
人 F3 B-NP
民 F4 I-NP
共 F5 B-NP
和 F6 M-NP
国 F7 I-NP
国 F8 B-NP
家 F9 I-NP
主 F10 B-NP
席 F11 I-NP

开始，我们介绍几个概念，

1. 所有汉字的可能类别

这里就是指训练数据中最后一列中的所有的可能值。这里只有3个可能，B-NP, M-NP, I-NP。

2. unigram, bigram

 unigram : 指的是template中的由Unigram定义的若干template.

bigram:  指的是template中由Bigram定义的若干template,这里只有一个。 

3. 构建如下搜索矩阵

 我们的目标是构建一个模型，利用它解码出来的路径（模型期望）和数据库中标注的期望（经验期望）的差别小于某一个阈值。

4. node 和 path的概念

 如上面表格所示，每一个字 底下对应3个node, 如“中”，对应它属于B-NP, M_NP, I_NP三个node. 每个node对应有9个template（根据template模板定义）。计算该node的概率需要用到这些template的值。 两个相邻列之间的node之间可以相互转移，这条转移的路径就是path. 比如从“中” 的3个node都可以转移到“华”的I-NP节点，既有3条路径可以从前面转移到“华”的I-NP节点。  当然这中间有个转移概率，这个转移概率也主要通过template中的bigram来约束。某个node的概率可以由以下公式计算：

 α_{i-1 就是node cost，} a_{ij就是transition cost。}

今天看来没时间了，具体程序中如何实现，待续

评论