python - 使用nltk.tag.brill_trainer(基于转换的学习)训练IOB Chunker

Question

我正在尝试通过使用NLTK's brill module训练特定的分块器（为简单起见，请使用名词分块器）。我想使用三个功能，即。字，POS标签，IOB标签。


(Ramshaw and Marcus, 1995:7)显示了100个模板，这些模板是通过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，但是只有两种特征对象，即。 brill.Word和 brill.Pos。受设计的限制，我只能将单词和POS功能像（word，pos）放在一起，并因此使用（（word，pos），iob）作为训练功能。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，（单词，pos）被整体视为一个特征。这不是三个功能（单词，pos标签，iob标签）的完美捕获。


还有其他方法可以在 nltk.tbl.feature中单独实现word，pos，iob功能吗？
如果在NLTK中不可能，那么在python中是否还有其他实现？我只能在互联网上找到C ++和Java实现。

Answer 1

nltk3 brill训练器API（我写过）确实处理了关于用多维描述的令牌序列的训练
功能，例如您的数据。但是，实际限制可能很严格。多维学习中可能的模板数量
急剧增加，并且当前nilk实现的brill训练器会交换内存
关于速度，类似于Ramshaw和Marcus 1994，“探索变换规则序列的统计推导...”。
内存消耗可能很大，并且
与系统相比，为系统提供更多的数据和/或模板非常容易
它可以处理。一个有用的策略是对
模板，根据它们产生良好规则的频率（请参阅
在下面的示例中为print_template_statistics（）。
通常，您可以舍弃得分最低的分数（例如50-90％）
几乎没有或没有任何性能损失，并且大大减少了培训时间。

另一种或其他可能性是使用nltk
Brill原始算法的实现，该算法在内存速度折衷方面有很大不同；它没有索引，因此将使用更少的内存。它使用了一些优化，实际上找到最佳规则的速度相当快，但是当有许多竞争性的，低分的候选人出现时，通常在训练结束时非常慢。有时候，无论如何，您不需要这些。由于某种原因，新的nltks似乎已省略了此实现，但这是源（我刚刚对其进行了测试）http://www.nltk.org/_modules/nltk/tag/brill_trainer_orig.html。

还有其他折衷的算法，并且
特别是Florian和Ngai 2000的快速高效存储索引算法
（http://www.aclweb.org/anthology/N/N01/N01-1006.pdf）和
1998年塞缪尔概率规则抽样
（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，文档还不完整，并且过于专注于词性标记，并且不清楚如何从中进行概括。修复文档（也）在待办事项列表上。

但是，对于nltk中的通用（非POS标记）tbl的兴趣非常有限（nltk2的完全不适合的api被使用了10年之久），因此请不要屏住呼吸。如果您不耐烦，则不妨查看更多专用的替代方法，
特别是mutbl和fntbl（在Google上，我仅以两个链接而闻名）。

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（“标记”表示任何标签
您想分配给您的数据，不一定代表词性）
作为成对的序列[[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
和他们的POS字符串，如

[('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something', 'NN'), ('completely', 'RB'), ('different', 'JJ')]

（顺便说一句，这种令牌标记对序列约定在nltk和
它的文档，但可以说应该更好地表示为命名元组
而不是成对，所以不用说

[token for (token, _tag) in tagged_sequence]

你可以说例如

[x.token for x in tagged_sequence]

第一种情况在非配对上失败，但是第二种情况利用鸭子类型
标记序列可以是用户定义实例的任何序列，只要
他们有一个属性“令牌”。）

现在，您可以更好地了解令牌的含义
处置。现有的标记程序接口（nltk.tag.api.FeaturesetTaggerI）期望
每个标记作为功能集而不是字符串，字符串是映射的字典
特征名称，以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（尽管在其他nltk中支持较少）。
例如，您可以为每个令牌指定一个命名元组，或者由用户定义
类，它允许您向其中添加任何数量的动态计算
属性访问（也许使用@property提供一致的接口）。

brill tagger不需要知道您当前提供的视图
在您的令牌上。但是，它确实需要您提供初始标记器
可以将表示形式的令牌序列带到
标签。您不能直接在nltk.tag.sequential中使用现有的标记器，
因为他们期望[（word，tag），...]。但是您仍然可以
利用他们。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))

上面的设置将构建一个POS标记器。如果您希望定位另一个属性（例如，构建IOB标记器），则需要进行一些小的更改
这样target属性（您可以将其视为读写）
是从您的主体[（token，tag），...]的'tag'位置访问的
和其他任何属性（您可以将其视为只读）
从“令牌”位置访问。例如：

1）构建用于IOB标记的语料库[（token，tag），（token，tag），...]

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器

...
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]