CRF(条件随机场)

CRF(条件随机场)

构建步骤

为了建一个条件随机场,我们首先要定义一个特征函数集,每个特征函数都以整个句子s,当前位置i,位置i和i-1的标签为输入。然后为每一个特征函数赋予一个权重,然后针对每一个标注序列l,对所有的特征函数加权求和,必要的话,可以把求和的值转化为一个概率值。

用词性标注问题解释CRF

给定一个句子s,比如:“我在公园看到一只猫”,正常标注词性的结果如下:

  • “我”:名词
  • “在”:介词
  • “公园”:名词
  • “看到”:动词
  • “一只猫”:名词短语
    在CRF问题中,将(名词、介词、名词、动词、名词)当成一个可能的序列Z1,其他可能的标注序列也存在(无关乎标注的序列正确与否)。CRF就可以解决如何在众多可能的序列中找出正确概率最大的一个。
定义特征函数f

特征函数接受四个参数:

  • 句子:s
  • W_i:表示句子中第i个单词
  • Li:表示第i个单词要标注的词性
  • Li-1:表示第i-1个单词要标注的词性
    f(s,W_i,L_i,L_{i-1})
    可以理解为第i-1个单词在特征函数的作用下对第i个单词产生的影响,也叫特征值
利用特征函数集做评分

有了特征函数的集合之后,需要给每一个特征函数赋予一个权重:w_i
。则综合评分的函数表达式如下所示:
score(Z_k|s) = \sum_{j=1}^m\sum_{i=1}^n{w_jf_j(s,W_i,L_i,L_{i-1})}
对上述公式的解释:

  • Z_k:表示一条可能的标注序列
  • 外层的求和符号表示多个特征函数求和的评分结果
  • 内层求和符号表示句子中每个单词在不同的特征函数作用下的特征值
    由于每一个句子有很多可能的词性标注,特征函数集对每一个可能的词性标注序列都可以得到一个综合特征值,对整个综合特征值做softmax处理,即可得到每一个词性标注的概率。
    softmax:
    softmax = e^{x_i}/\sum_{i=1}^ne^{x_i}

P(Z_k|s)) = softmax(score(Z_k|s))

  • l_i:表示一个可能的标注序列
HMM和CRF

HMM(隐马尔可夫模型)是CRF的一个特例。
在隐马模型的链式法则中,求一个标注序列的概率公式如下:
p(Z_k,s) = p(L_0) \prod{p(L_i|L_{i-1})*p(W_i|L_i)}
对上述公式的说明:

  • p(Li|Li-1):表示转移概率,在词性为Li-1的基础下出现词性Li的概率
  • p(W_i|L_i): 表示发射概率,在词性为L_i的基础下,单词是W_i的概率

对HMM的概率公式取对数:
log(p(Z_k,s) = logp(L_0)+logp(L_i|L_{i-1}))+logp(W_i|L_i)
可以发现,HMM取对数之后的概率公式和CRF的特征集的综合评分函数具有相同的形式。
去掉发射概率,因为此时只关注词性标注序列
HMM等价于只有一个特征函数的CRF。

CRF相对HMM具有以下优点
  1. CRF可以定义数量更多,种类更丰富的特征函数。HMM模型具有天然具有局部性,就是说,在HMM模型中,当前的单词只依赖于当前的标签,当前的标签只依赖于前一个标签。这样的局部性限制了HMM只能定义相应类型的特征函数,我们在上面也看到了。但是CRF却可以着眼于整个句子s定义更具有全局性的特征函数

CRF可以使用任意的权重 将对数HMM模型看做CRF时,特征函数的权重由于是log形式的概率,所以都是小于等于0的,而且概率还要满足相应的限制,但在CRF中,每个特征函数的权重可以是任意值,没有这些限制。

原文链接:[轻松理解条件随机场(CRF)]
https://www.imooc.com/article/27795

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,468评论 5 473
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,620评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,427评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,160评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,197评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,334评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,775评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,444评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,628评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,459评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,508评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,210评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,767评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,850评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,076评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,627评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,196评论 2 341

推荐阅读更多精彩内容