Question

最近，我一直在尝试使用Stanford Core NLP训练n-gram实体。我遵循了以下教程 - http://nlp.stanford.edu/software/crf-faq.shtml#b

有了这个，我只能指定unigram令牌及其所属的类。任何人都可以指导我，以便我可以将它扩展到n-gram。我试图从聊天数据集中提取电影名称等已知实体。

如果我错误地解释了斯坦福教程，请指导我，同样可以用于n-gram培训。

我遇到的是以下属性

#structure of your training file; this tells the classifier
#that the word is in column 0 and the correct answer is in
#column 1
map = word=0,answer=1

这里第一列是单词（unigram），第二列是实体，例如

CHAPTER O
I   O
Emma    PERS
Woodhouse   PERS

现在我需要训练像 Hulk ，泰坦尼克号等已知实体（比如电影名称）作为电影，这种方法很容易。但是如果我需要训练我知道你去年夏天做了什么或婴儿节那天，最好的方法是什么？

Answer 1

这是一个漫长的等待回答。我无法找到使用Stanford Core完成任务的方法。但任务完成了。我使用了LingPipe NLP库。只是在这里引用答案，因为我认为其他人可以从中受益。

如果您是开发人员或研究人员或其他任何人，请在潜入之前查看Lingpipe licencing。

Lingpipe提供各种NER方法。

1）基于字典的NER

2）统计NER（基于HMM）

3）基于规则的NER等。

我使用过字典以及统计方法。

第一个是直接查找方法，第二个是基于培训。

可以找到基于字典的NER的示例here

历史方法需要培训文件。我使用了以下格式的文件 -

<root>
<s> data line with the <ENAMEX TYPE="myentity">entity1</ENAMEX>  to be trained</s>
...
<s> with the <ENAMEX TYPE="myentity">entity2</ENAMEX>  annotated </s>
</root>

然后我使用以下代码来训练实体。

import java.io.File;
import java.io.IOException;

import com.aliasi.chunk.CharLmHmmChunker;
import com.aliasi.corpus.parsers.Muc6ChunkParser;
import com.aliasi.hmm.HmmCharLmEstimator;
import com.aliasi.tokenizer.IndoEuropeanTokenizerFactory;
import com.aliasi.tokenizer.TokenizerFactory;
import com.aliasi.util.AbstractExternalizable;

@SuppressWarnings("deprecation")
public class TrainEntities {

    static final int MAX_N_GRAM = 50;
    static final int NUM_CHARS = 300;
    static final double LM_INTERPOLATION = MAX_N_GRAM; // default behavior

    public static void main(String[] args) throws IOException {
        File corpusFile = new File("inputfile.txt");// my annotated file
        File modelFile = new File("outputmodelfile.model"); 

        System.out.println("Setting up Chunker Estimator");
        TokenizerFactory factory
            = IndoEuropeanTokenizerFactory.INSTANCE;
        HmmCharLmEstimator hmmEstimator
            = new HmmCharLmEstimator(MAX_N_GRAM,NUM_CHARS,LM_INTERPOLATION);
        CharLmHmmChunker chunkerEstimator
            = new CharLmHmmChunker(factory,hmmEstimator);

        System.out.println("Setting up Data Parser");
        Muc6ChunkParser parser = new Muc6ChunkParser();  
        parser.setHandler( chunkerEstimator);

        System.out.println("Training with Data from File=" + corpusFile);
        parser.parse(corpusFile);

        System.out.println("Compiling and Writing Model to File=" + modelFile);
        AbstractExternalizable.compileTo(chunkerEstimator,modelFile);
    }

}

为了测试NER，我使用了以下课程

import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.util.ArrayList;
import java.util.Set;

import com.aliasi.chunk.Chunk;
import com.aliasi.chunk.Chunker;
import com.aliasi.chunk.Chunking;
import com.aliasi.util.AbstractExternalizable;

public class Recognition {
    public static void main(String[] args) throws Exception {
        File modelFile = new File("outputmodelfile.model");
        Chunker chunker = (Chunker) AbstractExternalizable
                .readObject(modelFile);
        String testString="my test string";
            Chunking chunking = chunker.chunk(testString);
            Set<Chunk> test = chunking.chunkSet();
            for (Chunk c : test) {
                System.out.println(testString + " : "
                        + testString.substring(c.start(), c.end()) + " >> "
                        + c.type());

        }
    }
}

代码礼貌：谷歌：）

Answer 2

答案主要在你引用的例子中给出，其中“Emma Woodhouse”是一个单一名称。我们提供的默认模型使用IO编码，并假设同一类的相邻令牌是同一实体的一部分。在许多情况下，这几乎总是正确的，并使模型更简单。但是，如果您不想这样做，您可以使用其他标签编码训练NER模型，例如常用的IOB编码，您可以在其中标记事物：

Emma    B-PERSON
Woodhouse    I-PERSON

然后，可以表示相同类别但不是相同实体的相邻令牌。

Answer 3

我面临着为自动化域标记ngram短语的同样挑战。我正在寻找一种有效的关键字映射，可用于在稍后阶段创建培训文件。我最终在NLP管道中使用了regexNER，提供了一个带有正则表达式（ngram组件术语）的映射文件及其相应的标签。请注意，在这种情况下没有实现NER机器学习。希望这些信息对某人有帮助！

使用Stanford NLP训练n-gram NER

3 个答案: