基於結構化平均感知機的分詞器 Java實現

最近高產似母豬，寫了個基於 AP的中文分詞器，在Bakeoff-05的MSR語料上F值有96.11%。最重要的是，只訓練了5個迭代；包含語料載入等IO操作在內，整個訓練一共才花費23秒。應用裁剪演算法去掉模型中80%的特徵後，F值才下降不到0.1個百分點，體積控制在11兆。如果訓練一百個迭代，F值可達到96.31%，訓練時間兩分多鐘。

資料在一臺普通的 IBM相容機上得到：

本模組已整合到 HanLP 1.6以上版本開源，文件位於專案wiki中，歡迎使用！【 hanlp1.7新版本已經發布，可以去新版本查到看使用 】

結構化預測

關於結構化預測和非結構化預測的區別一張講義說明如下：

更多知識請參考 Neubig的講義《The Structured Perceptron》。

本文實現的 AP分詞器預測是整個句子的BMES標註序列，當然屬於結構化預測問題了。

感知機

二分類

感知機的基礎形式如《統計學習方法》所述，是定義在一個超平面上的線性二分類模型。作為原著第二章，實在是簡單得不能再簡單了。然而實際運用中，越簡單的模型往往生命力越頑強。

這裡唯一需要補充的是，感知機是個線上學習模型，學習一個訓練例項後，就可以更新整個模型。

多分類

怎麼把二分類擴充到多分類呢？可以用多個分類器，對於 BMES這4種分類，就是4個感知機了。每個感知機分別負責分辨“是不是B”“是不是M”“是不是E”“是不是S”這4個二分類問題。在實現中，當然不必傻乎乎地建立4個感知機啦。把它們的權值向量拼接在一起，就可以輸出“是B的分數”“是M的分數”“是E的分數”“是S的分數”了。取其最大者，就可以初步實現多分類。但在分詞中，還涉及到轉移特徵和HMM-viterbi搜尋演算法等，留到下文再說。

平均感知機

平均感知機指的是記錄每個特徵權值的累計值，最後平均得出最終模型的感知機。為什麼要大費周章搞個平均演算法出來呢？

前面提到過，感知機是個線上學習模型，學習一個訓練例項後，就可以更新整個模型。假設有 10000個例項，模型在前9999個例項的學習中都完美地得到正確答案，說明此時的模型接近完美了。可是最後一個例項是個噪音點，樸素感知機模型預測錯誤後直接修改了模型，導致前面9999個例項預測錯誤，模型訓練前功盡棄。

有什麼解決方案呢？一種方案是投票式的，即記錄每個模型分類正確的次數，作為它的得票。訓練結束時取得票最高的模型作為最終模型。但這種演算法是不實際的，如果訓練 5個迭代，10000個例項，那麼就需要儲存50000個模型及其票數，太浪費了。

最好用的方法是平均感知機，將這 50000個模型的權值向量累加起來，最後除以50000就行了，這樣任何時候我們只額外記錄了一個累加值，非常高效了。關於平均感知機的詳情請參考《200行Python程式碼實現感知機詞性標註器》。雖然那篇文章是講解詞性標註的，但相信作為萬物靈長的讀者一定擁有舉一反三的泛化能力。

語言模型

HMM

我們不是在講解感知機分詞嗎？怎麼跟 HMM扯上關係了？

其實任何基於序列標註的分詞器都離不開隱馬爾科夫鏈，即 BMES這四個標籤之間的Bigram（乃至更高階的n-gram）轉移機率。作為其中一員的AP分詞器，也不例外地將前一個字元的標籤作為了一個特徵。該特徵對預測當前的標籤毫無疑問是有用的，比如前一個標籤是B，當前標籤就絕不可能是S。

這種類似於 y[i-1]的特徵線上性圖模型中一般稱為轉移特徵，而那些不涉及y[i-1]的特徵通常稱為狀態特徵。

viterbi

由於 AP分詞器用到了轉移特徵，所以肯定少不了維特比搜尋。從序列全體的準確率考慮，搜尋也是必不可少的。給定隱馬爾可夫模型的3要素，我用Java寫了一段“可執行的偽碼”：

上述實現是個重視條理勝於效率的原型，古人云 “過早最佳化是魔鬼”。相信聰明的讀者一定能看懂這裡面在幹什麼。

特徵提取

定義字元序列為 x，標註序列為y。

轉移特徵

轉移特徵就是上面說的 y[i-1]。

狀態特徵

我一共使用了 7種狀態特徵：

在鄧知龍的《基於感知器演算法的高效中文分詞與詞性標註系統設計與實現》中提到，要利用更復雜的字元 n-gram、字元類別n-gram、疊字、詞典等特徵。但在我的實踐中，除了上述7種特徵外，我每減少一個特徵，我的AP分詞器的準確率就提高一點，也許是語料不同吧，也許是特徵提取的實現不同。總之，主打精簡、高效。

訓練

迭代數目其實不需要太多，在 3個迭代內模型基本就收斂了：