CRF条件随机场学习记录-编程知识

阅读建议

仔细阅读书[1]对应的序列标注章节，理解该方法面向的问题以及相关背景，然后理解基础的概念。

引言

威胁情报挖掘的相关论文中，均涉及到两部分任务：命名实体识别（Named Entity Recognition，NER）和关系抽取，大多数网安实现NER的方法，采用比较多的方法包含：BiLstm+CRF或者Bert+CRF。

其中条件随机场（conditional random fields, CRF），这个模型算是多次遇到了。经过了长期的学习之后，对该部分模型也算是有了较为深入的理解，虽然还没有达到能立马应用的效果，但基本上了解了比较关键的点。

在学习这个模型的过程中，一开始直接搜索相关的方法介绍的时候，经常会遇到上来就介绍模型算法公式这种的，或者说是不通过公式的，就从大致原理介绍的，这些介绍的形式都不怎么适合我这种非专业自然语言处理的人。

实际上，个人认为，从问题的角度来出发，思考清楚他是为了解决什么问题，穿插着一些关键的公式、算法，最后还能融合一些代码实现用于后续的使用过程。

不准备完全通过数学的角度来理解这个方法，而是从应用的角度，明白较为关键的参数。

所解决的问题 - 序列标注

在各种论文中看到使用CRF是进行NER的时候，实际上他解决的是类似词性标注（Part of Speech tagging）一样的序列标注问题，这类问题是指输入一个 $X$ 向量，对应输出一个 $Y$ 向量，通常情况下他们的向量长度是一样的。

在《自然语言处理综论》课程中[1]提供的PDF文档中，介绍序列标注的章节（第8章）中，针对该问题介绍了两种方法隐马尔可夫模型和条件随机场模型。在之前中，已经通过该文档学习了HMM模型。

词性标注

举例来说，对一句话中各个词汇的词性进行标注，例如I am Ac.这个输入就将对应三个输出，分别说明这个词汇是什么类型，名词、动词这种。相应的，输出的标签也就是这些内容，如下图所示：

NER

再进一步，进行NER任务，此时在进行标注的时候，其输出的标签是就是某种实体的标志，如下图所示：

命名实体标注

上述表格中列举了三种标记方式：IO、BIO、BIOES，O指代非命名实体，在某种实体（person、location）前加上B或者E便是BIO这种。

针对这种方法，可以针对每个数据训练一个分类器，然后进行分类（对连续照片进行分类的问题，这也是很多博客都进行距离的一个方法），但这种方法他们的缺点就是没有考虑上下文的关联，比如说我上一个照片是什么样子。

模型理解

模型差异 - 生成模型与判别模型

在解决词性标注的问题中，有两种模型：HMM和CRF，而他们分别对应了生成模型和判别模型，这里的分别就是说明了他们针对概率模型不同的处理方式，特别是为了求解 $P (C / X)$ [3][5]，不过我对这部分问题依然还是不够深入理解。在[1]中在介绍逻辑回归模型的时候，说明了两种模型的对比，重点就是他们去进行分类任务的时候，他们是怎么入手概率。

当然，在介绍CRF的文章中，都绕不过经典的文章[4]，这篇文章中有一个比较主观的图：

在介绍了生成模型与判别模型时，便采用了朴素贝叶斯和逻辑回归两种方法进行对比，然后分别对他们进行序列化的扩展，也就形成了后续的这种模型。

实际上，在书[1]中，从HMM拓展到CRF的时候，也简单说明了HMM的缺陷和CRF的优势，他描述的角度是从增加这个特征的角度，不容易重新构造条件概率来说明。

所以在学习CRF的时候，能够发现他的公式跟逻辑回归很像。在图中也直接说明了线性链式CRF，平时这种也属于用的比较多的。在这里就不对HMM进行具体介绍了，但是如果能够回想起当时学习的转移概率和发射概率这些名词，对理解CRF能够有一定的帮助。

CRF模型概述

那么结合发射概率和转移概率这些概念，以及CRF所做的假设，或者说其模型公式中的相关限制，依然利用词性标注这个问题来解释：

每个单词的词性，他不仅仅和当前的单词有关，他还和前一个单词的词性有关。

注意，他是和上一个单词的词性有关。所以建模的时候要干的事情到底是什么？也就是同时考虑当前单词的属性，同时也要考虑上一个标注结果从而输出一个序列解决。

相应的，特征函数的写法也就是 $f(X, i, l_{i-1}, l_{i})$ ， $i$ 指代当前处理单词的位置， $l$ 指标记结果。关于特征函数，这里不在赘述，实际上就是根据单词或者句子的位置等进行的一些定义，特征函数的输出为0或者1。

而CRF的模型就是一个输出标记序列y概率的概率模型[1]：

其中 $w_k$ 是每个特征函数的权值。对于每条句子，他可能会有非常多的标注结果，公式分母是一个归一化的结果，要干的事情就是求解参数，令正确的序列结果最大。文章[6]中比较形象的描述了这个事情：

上面所说的动词后面还是动词就是一个特征函数，我们可以定义一个特征函数集合，用这个特征函数集合来为一个标注序列打分，并据此选出最靠谱的标注序列。也就是说，每一个特征函数都可以用来为一个标注序列评分，把集合中所有特征函数对同一个标注序列的评分综合起来，就是这个标注序列最终的评分值。

定义了这个模型之后，要干的事情：一个方面是求解这个参数，另外一方面，在求解完这些参数之后，还需要利用这个参数来对结果进行预测。所以大部分博文，解释的事情，也就是这两部分。

文章[6]中同时对比了HMM以及逻辑回归，可以作为学习补充，同时也根据《统计学习方法》进行了比较规范的数学介绍。

那么为了训练获取参数，可以采用最大似然估计的方式，求解参数，同时定义相关的损失函数，利用梯度下降的方法来获得参数[5]。

对于具体的训练方式，还需要结合代码来具体学习。

CRF词性标注初步实践

文章[2]中直接利用了CRF的Python库sklearn_crfsuite实现了词性标注这个问题，虽然词性标注的结果准确率为96%。

深度学习方法

在一些论文和github中，利用BiLstm+CRF和BERT+CRF来进行命名实体识别，可以搜到非常多的方法和代码。在最开始的时候，我也是准备从代码的角度来理解这个方法。但是发现还是有些不一样的地方，文章[7]利用Keras作为框架来进行神经网络的编程，例如比较核心代码内容如下：

input_layer = layers.Input(shape=(MAX_SENTENCE,)) 
model = layers.Embedding(WORD_COUNT, DENSE_EMBEDDING, embeddings_initializer="uniform", input_length=MAX_SENTENCE)(input_layer) 
model = layers.Bidirectional(layers.LSTM(LSTM_UNITS, recurrent_dropout=LSTM_DROPOUT, return_sequences=True))(model) 
model = layers.TimeDistributed(layers.Dense(DENSE_UNITS, activation="relu"))(model) 
crf_layer = CRF(units=TAG_COUNT) 
output_layer = crf_layer(model) 
ner_model = Model(input_layer, output_layer) 
loss = losses.crf_loss 
acc_metric = metrics.crf_accuracy 
opt = optimizers.Adam(lr=0.001) 
ner_model.compile(optimizer=opt, loss=loss, metrics=[acc_metric]) ner_model.summary()

上述代码估计版本可能有所变化，已经不能运行了。相比于其他博文，例如他使用pytorch框架时，他在介绍的时候还会把CRF的代码给写出来，这部分还会进行具体的训练说明。

！下一步就是学习pytorch的具体写法。

参考

[1]Speech and Language Processing, (3rd ed. draft)
[2]Conditional Random Fields (CRFs) for POS tagging in NLP
[3]What is the difference between a generative and a discriminative algorithm?
[4]Sutton C, McCallum A. An introduction to conditional random fields[J]. Foundations and Trends® in Machine Learning, 2012, 4(4): 267-373.
[5]Overview of Conditional Random Fields
[6]CRF条件随机场
[7]Building a Named Entity Recognition model using a BiLSTM-CRF network