我正在尝试使用NLTK's brill module训练一个特定的chunker（简单来说就是名词chunker）。我想使用三个功能，即。单词，POS标签，IOB标签。
(Ramshaw and Marcus, 1995:7)显示了100个模板，这些模板是根据这三个功能的组合生成的，例如，
W0, P0, T0 # current word, pos tag, iob tag
W-1, P0, T-1 # prev word, pos tag, prev iob tag
...
我想将它们合并到nltk.tbl.feature中，但只有两种特征对象，即。 brill.Word和brill.Pos。受设计的限制，我只能将单词和POS功能放在一起，如（word，pos），因此使用（（word，pos），iob）作为训练的特征。例如，
from nltk.tbl import Template
from nltk.tag import brill, brill_trainer, untag
from nltk.corpus import treebank_chunk
from nltk.chunk.util import tree2conlltags, conlltags2tree
# Codes from (Perkins, 2013)
def train_brill_tagger(initial_tagger, train_sents, **kwargs):
templates = [
brill.Template(brill.Word([0])),
brill.Template(brill.Pos([-1])),
brill.Template(brill.Word([-1])),
brill.Template(brill.Word([0]),brill.Pos([-1])),]
trainer = brill_trainer.BrillTaggerTrainer(initial_tagger, templates, trace=3,)
return trainer.train(train_sents, **kwargs)
# generating ((word, pos),iob) pairs as feature.
def chunk_trees2train_chunks(chunk_sents):
tag_sents = [tree2conlltags(sent) for sent in chunk_sents]
return [[((w,t),c) for (w,t,c) in sent] for sent in tag_sents]
>>> from nltk.tag import DefaultTagger
>>> tagger = DefaultTagger('NN')
>>> train = treebank_chunk.chunked_sents()[:2]
>>> t = chunk_trees2train_chunks(train)
>>> bt = train_brill_tagger(tagger, t)
TBL train (fast) (seqs: 2; tokens: 31; tpls: 4; min score: 2; min acc: None)
Finding initial useful rules...
Found 79 useful rules.
B |
S F r O | Score = Fixed - Broken
c i o t | R Fixed = num tags changed incorrect -> correct
o x k h | u Broken = num tags changed correct -> incorrect
r e e e | l Other = num tags changed incorrect -> incorrect
e d n r | e
------------------+-------------------------------------------------------
12 12 0 17 | NN->I-NP if Pos:NN@[-1]
3 3 0 0 | I-NP->O if Word:(',', ',')@[0]
2 2 0 0 | I-NP->B-NP if Word:('the', 'DT')@[0]
2 2 0 0 | I-NP->O if Word:('.', '.')@[0]
如上所示，（word，pos）作为一个整体被视为一个特征。这不是三个功能（单词，pos-tag，iob-tag）的完美捕捉。
nltk.tbl.feature？答案 0 :(得分：2)
nltk3 brill教练api（我写的）确实处理了多维描述的令牌序列的训练 功能，因为您的数据是一个例子。但是，实际限制可能很严重。多维学习中可能的模板数量 大幅度增加，目前brill教练的nltk实现交换内存 对于速度，类似于Ramshaw和Marcus 1994，“探索转换规则序列的统计推导......”。 内存消耗可能很大 给系统提供更多的数据和/或模板非常容易 它可以处理。一个有用的策略是排名 模板根据他们产生好规则的频率（见 下面的例子中的print_template_statistics（））。 通常，您可以丢弃得分最低的分数（比如50-90％） 表现很少或没有损失，培训时间大幅减少。
另一种或另外的可能性是使用nltk 实现Brill的原始算法，它具有非常不同的内存速度权衡;它没有索引，所以将使用更少的内存。它使用了一些优化，实际上很快就找到了最好的规则，但是当有很多竞争性的，得分较低的候选人时，通常在训练结束时非常缓慢。无论如何，有时你不需要那些。出于某种原因，这个实现似乎已经从较新的nltks中省略了，但是这里是源代码（我刚测试过它）http://www.nltk.org/_modules/nltk/tag/brill_trainer_orig.html。
还有其他算法与其他权衡，和 特别是Florian和Ngai 2000的快速记忆效率索引算法 （http://www.aclweb.org/anthology/N/N01/N01-1006.pdf）和 塞缪尔1998年的概率规则抽样 （https://www.aaai.org/Papers/FLAIRS/1998/FLAIRS98-045.pdf）将是一个有用的补充。另外，正如您所注意到的那样，文档不完整且过于集中于词性标注，并且不清楚如何从中进行概括。修复文档是（也）在待办事项列表上。
然而，nltk中对广义（非POS标记）tbl的兴趣相当有限（nltk2的完全不合适的api未触及10年），所以不要屏住呼吸。如果您不耐烦，您可能希望查看更多专用替代品， 特别是mutbl和fntbl（谷歌他们，我只有两个链接的声誉）。
无论如何，这是nltk的快速草图：
首先，nltk中的硬编码约定是标记序列（'tags'表示任何标签 您希望分配给您的数据，而不一定是词性 作为对的序列，[（token1，tag1），（token2，tag2），...]。标签是字符串;在 许多基本应用程序，令牌也是如此。例如，令牌可以是单词 和字符串他们的POS，如
[('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something', 'NN'), ('completely', 'RB'), ('different', 'JJ')]
（顺便说一句，这个令牌 - 标签 - 对序列约定在nltk和 它的文档，但应该更好地表达为命名元组 而不是成对，所以而不是说
[token for (token, _tag) in tagged_sequence]
你可以说比如说
[x.token for x in tagged_sequence]
第一个案例在非配对上失败，但第二个案例利用了鸭子打字 tagged_sequence可以是任何用户定义的实例序列，只要 他们有一个属性“令牌”。）
现在，您可以更好地表达令牌的内容 处置。现有的标记器接口（nltk.tag.api.FeaturesetTaggerI）需要 每个标记作为一个特征集而不是一个字符串，这是一个映射的字典 要素名称为序列中每个项目的特征值。
标记的序列可能看起来像
[({'word': 'Pierre', 'tag': 'NNP', 'iob': 'B-NP'}, 'NNP'),
({'word': 'Vinken', 'tag': 'NNP', 'iob': 'I-NP'}, 'NNP'),
({'word': ',', 'tag': ',', 'iob': 'O' }, ','),
...
]
还有其他可能性（尽管在nltk的其余部分支持较少）。 例如，您可以为每个令牌或用户定义的命名元组 允许您添加任意数量的动态计算的类 属性访问（可能使用@property提供一致的接口）。
brill tagger不需要知道您当前提供的视图 在你的代币上。但是，它确实需要您提供初始标记器 它可以将你的代表中的令牌序列带到序列中 标签。你不能直接使用nltk.tag.sequential中的现有标记器， 因为他们期望[（word，tag），...]。但你仍然可以 利用它们。下面的示例使用此策略（在MyInitialTagger中）和token-as-featureset-dictionary视图。
from __future__ import division, print_function, unicode_literals
import sys
from nltk import tbl, untag
from nltk.tag.brill_trainer import BrillTaggerTrainer
# or:
# from nltk.tag.brill_trainer_orig import BrillTaggerTrainer
# 100 templates and a tiny 500 sentences (11700
# tokens) produce 420000 rules and uses a
# whopping 1.3GB of memory on my system;
# brill_trainer_orig is much slower, but uses 0.43GB
from nltk.corpus import treebank_chunk
from nltk.chunk.util import tree2conlltags
from nltk.tag import DefaultTagger
def get_templates():
wds10 = [[Word([0])],
[Word([-1])],
[Word([1])],
[Word([-1]), Word([0])],
[Word([0]), Word([1])],
[Word([-1]), Word([1])],
[Word([-2]), Word([-1])],
[Word([1]), Word([2])],
[Word([-1,-2,-3])],
[Word([1,2,3])]]
pos10 = [[POS([0])],
[POS([-1])],
[POS([1])],
[POS([-1]), POS([0])],
[POS([0]), POS([1])],
[POS([-1]), POS([1])],
[POS([-2]), POS([-1])],
[POS([1]), POS([2])],
[POS([-1, -2, -3])],
[POS([1, 2, 3])]]
iobs5 = [[IOB([0])],
[IOB([-1]), IOB([0])],
[IOB([0]), IOB([1])],
[IOB([-2]), IOB([-1])],
[IOB([1]), IOB([2])]]
# the 5 * (10+10) = 100 3-feature templates
# of Ramshaw and Marcus
templates = [tbl.Template(*wdspos+iob)
for wdspos in wds10+pos10 for iob in iobs5]
# Footnote:
# any template-generating functions in new code
# (as opposed to recreating templates from earlier
# experiments like Ramshaw and Marcus) might
# also consider the mass generating Feature.expand()
# and Template.expand(). See the docs, or for
# some examples the original pull request at
# https://github.com/nltk/nltk/pull/549
# ("Feature- and Template-generating factory functions")
return templates
def build_multifeature_corpus():
# The true value of the target fields is unknown in testing,
# and, of course, templates must not refer to it in training.
# But we may wish to keep it for reference (here, truepos).
def tuple2dict_featureset(sent, tagnames=("word", "truepos", "iob")):
return (dict(zip(tagnames, t)) for t in sent)
def tag_tokens(tokens):
return [(t, t["truepos"]) for t in tokens]
# connlltagged_sents :: [[(word,tag,iob)]]
connlltagged_sents = (tree2conlltags(sent)
for sent in treebank_chunk.chunked_sents())
conlltagged_tokenses = (tuple2dict_featureset(sent)
for sent in connlltagged_sents)
conlltagged_sequences = (tag_tokens(sent)
for sent in conlltagged_tokenses)
return conlltagged_sequences
class Word(tbl.Feature):
@staticmethod
def extract_property(tokens, index):
return tokens[index][0]["word"]
class IOB(tbl.Feature):
@staticmethod
def extract_property(tokens, index):
return tokens[index][0]["iob"]
class POS(tbl.Feature):
@staticmethod
def extract_property(tokens, index):
return tokens[index][1]
class MyInitialTagger(DefaultTagger):
def choose_tag(self, tokens, index, history):
tokens_ = [t["word"] for t in tokens]
return super().choose_tag(tokens_, index, history)
def main(argv):
templates = get_templates()
trainon = 100
corpus = list(build_multifeature_corpus())
train, test = corpus[:trainon], corpus[trainon:]
print(train[0], "\n")
initial_tagger = MyInitialTagger('NN')
print(initial_tagger.tag(untag(train[0])), "\n")
trainer = BrillTaggerTrainer(initial_tagger, templates, trace=3)
tagger = trainer.train(train)
taggedtest = tagger.tag_sents([untag(t) for t in test])
print(test[0])
print(initial_tagger.tag(untag(test[0])))
print(taggedtest[0])
print()
tagger.print_template_statistics()
if __name__ == '__main__':
sys.exit(main(sys.argv))
上面的设置构建了一个POS标记器。如果您希望定位另一个属性，比如构建一个IOB标记器，则需要进行一些小的更改 以便目标属性（您可以将其视为读写） 可以从您的语料库中的“标记”位置访问[（标记，标记），...] 和任何其他属性（您可以将其视为只读） 从“令牌”位置访问。例如：
1）为IOB标记构建你的语料库[（标记，标记），（标记，标记），...]
def build_multifeature_corpus():
...
def tuple2dict_featureset(sent, tagnames=("word", "pos", "trueiob")):
return (dict(zip(tagnames, t)) for t in sent)
def tag_tokens(tokens):
return [(t, t["trueiob"]) for t in tokens]
...
2）相应地更改初始标记
...
initial_tagger = MyInitialTagger('O')
...
3）修改特征提取类定义
class POS(tbl.Feature):
@staticmethod
def extract_property(tokens, index):
return tokens[index][0]["pos"]
class IOB(tbl.Feature):
@staticmethod
def extract_property(tokens, index):
return tokens[index][1]