喬長兵

(江蘇省郵電規(guī)劃設(shè)計院有限責(zé)任公司，南京210006)

1 引言

在中文信息處理中進(jìn)行一些相關(guān)的研究，比如信息抽取，指代消解等，首要進(jìn)行的工作就是分詞。而分詞過程又是非常耗時的，執(zhí)行時間過長導(dǎo)致效率低下。

利用條件隨機場(Conditional Random Field:CRF)［1］模型來進(jìn)行分詞處理是最近研究的熱點。它沒有馬爾可夫模型那樣嚴(yán)格的獨立假設(shè)，同時克服了最大熵馬爾可夫模型的標(biāo)記偏置的缺點;但卻存在訓(xùn)練速度比較慢的缺點。

為了更加方便的進(jìn)行分詞研究和自然語言處理，提高分詞處理的執(zhí)行效率，作者將工作流引入到具體的分詞處理中，設(shè)計實現(xiàn)了基于CRF模型的分詞工作流。通過將分詞流程分解成若干個執(zhí)行過程，并將這些執(zhí)行過程包裝成網(wǎng)格服務(wù)，最終將服務(wù)部署到網(wǎng)格中的資源節(jié)點上。

2 CRF分詞處理流程分析

條件隨機場是一種條件概率模型，它定義了整個標(biāo)簽序列的聯(lián)合概率，而不是為每一個狀態(tài)都規(guī)定一個概率分布，各狀態(tài)是非獨立的，彼此之間可以交互，因此可以更好的模擬現(xiàn)實世界的數(shù)據(jù)。

為了便于構(gòu)建CRF模型，首先必須使用一個標(biāo)準(zhǔn)化過程，將原始語料轉(zhuǎn)換成標(biāo)準(zhǔn)的形式。這里使用的標(biāo)準(zhǔn)語料形式規(guī)定語料庫中每行只包含一個字，與這個字相關(guān)的信息用制表符間隔依次標(biāo)在字的后面。其次再進(jìn)行特征提取，使之生成CRF模型工具所能識別的訓(xùn)練語料和測試語料，其格式為:每行包括一個字以及與字相關(guān)的一些特征和標(biāo)記，字與特征之間、特征與特征之間與特征與標(biāo)記之間都用制表符間隔開。然后對訓(xùn)練語料進(jìn)行訓(xùn)練，訓(xùn)練生成一個CRF模型，其訓(xùn)練過程中加入了一些如迭代次數(shù)等的訓(xùn)練參數(shù)。利用訓(xùn)練所生成的CRF模型，對測試語料進(jìn)行測試，獲得一個預(yù)測結(jié)果。

根據(jù)上面的分析，可以得出基于CRF模型的分詞處理流程圖。如圖1所示。分詞處理大約由四個步驟組成，每個步驟具體描述如下:

預(yù)處理主要負(fù)責(zé)的工作有:將原始語料文本的編碼方式統(tǒng)一轉(zhuǎn)換成GBK編碼;加入特征并使之生成特定格式的文本文件，作為整個處理流程的中間文件;然后標(biāo)準(zhǔn)化該中間文件，使得CRF模型識別，即生成Train.tagged作為訓(xùn)練語料，Test.tagged作為測試語料。

訓(xùn)練模型:即CRF模型，它接收預(yù)處理生成的訓(xùn)練語料文件Train.tagged文件以及系統(tǒng)的參數(shù)文件option.txt。Train.tagged文件的大小一般有幾十到幾百兆，造成執(zhí)行時間特別長，一般需要幾個小時的時間，效率非常低，option.txt參數(shù)文件為CRF模型提供相關(guān)的參數(shù)信息，用來決定迭代次數(shù)，迭代次數(shù)越多，執(zhí)行時間也越長。訓(xùn)練之后會生成相應(yīng)的Model文件。

測試模型:它接收測試文件Test.tagged、系統(tǒng)參數(shù)文件option.txt和訓(xùn)練模型生成的Model文件。處理之后生成相應(yīng)的初步分詞結(jié)果。

后處理:它負(fù)責(zé)將經(jīng)過CRF模型處理的初步分詞結(jié)果進(jìn)行篩選，篩選的過程就是根據(jù)自己定義的特征將一些明顯不符合特征的分詞結(jié)果去除，使分詞結(jié)果更加合理。經(jīng)過后處理過程，將獲得最終的分詞結(jié)果。

3 CRF分詞工作流的設(shè)計與實現(xiàn)

3.1 CRF分詞工作流的描述

借助參考文獻(xiàn)［2］提出的一種可擴展的網(wǎng)格服務(wù)工作流語言——GSWL(Grid Service Workflow Language)，描述CRF分詞工作流，借助強大的標(biāo)簽功能來描述各成員服務(wù)之間的數(shù)據(jù)依賴關(guān)系和控制依賴關(guān)系。具體的描述文檔片段如下所示。

＜!－－定義工作流的名字－－＞

＜definitions name="GSWLforSegWord"scope="session"＞

＜!－－列出工作流的服務(wù)提供者列表 －－＞

＜serviceProvider name="PreTxt"type="PreService"/＞

＜serviceProvider name="CRFTrain"type="CRFTrainService"/＞

＜serviceProvider name="CRF"type="CRFService"/＞

＜serviceProvider name="Opt"type="OptService"/＞

＜!－－列出工作流中包含的活動 －－＞

……

＜!－－數(shù)據(jù)流模型 －－＞

＜dataModel dataInTo="OutputDataA"dataOut-From="OutputDataD"＞

……

＜/dataModel＞

……

一方面，訓(xùn)練模型中用到的算法時間復(fù)雜度高，隨著迭代次數(shù)和特征數(shù)目的增加，執(zhí)行時間也相應(yīng)增加;另一方面，訓(xùn)練模型需要處理幾百兆的數(shù)據(jù)信息，執(zhí)行時間將變得十分漫長。同樣的，測試模塊和后處理模塊都需要處理大型的數(shù)據(jù)文件。

數(shù)據(jù)流模型中 ＜dataLink label=”link1”＞和＜dataLink label=”link2”＞的Self_Sched屬性設(shè)定為true。因此，在調(diào)度執(zhí)行 CRFTrainServie服務(wù)和CRFService服務(wù)時要執(zhí)行GSPSS算法，將大的文本文件分解成若干個小的文本文件，并協(xié)調(diào)網(wǎng)格中所有可用的功能相同的服務(wù)資源來并行執(zhí)行。

3.2 CRF分詞工作流的設(shè)計

根據(jù)上面的分析，將分詞處理過程描述成一個網(wǎng)格服務(wù)工作流應(yīng)用。CRF分詞工作流的設(shè)計如圖2所示。

圖2 分詞工作流設(shè)計圖

其中，PreService服務(wù)對應(yīng)于流程中的預(yù)處理過程，CRFTrainServie服務(wù)對應(yīng)于訓(xùn)練模型，CRFSer-vice服務(wù)則對應(yīng)測試模型，獲得基于CRF模型的粗分詞結(jié)果;OptService服務(wù)對應(yīng)流程中的后處理過程，對前面獲取的分詞結(jié)果進(jìn)行一定的篩選和優(yōu)化，獲得最終的分詞結(jié)果。

3.3 工作流成員服務(wù)的實現(xiàn)

在具體實現(xiàn)服務(wù)的過程中，使用的開發(fā)工具是Magic C++.NET+Eclipse+GT4軟件開發(fā)包。算法實現(xiàn)使用C++作為編程語言，服務(wù)封裝使用Java編程語言。集成開發(fā)環(huán)境Magic C++.NET支持遠(yuǎn)程基于Unix/Linux/BSD服務(wù)器的開發(fā)以及本地基于Windows的開發(fā)，通過它就可以獲得Linux和Windows下的可執(zhí)行命令或程序;借助Eclipse+GT4軟件包將命令和程序封裝成網(wǎng)格服務(wù)，并最終利用GT4提供的命令將網(wǎng)格服務(wù)部署在各個網(wǎng)格節(jié)點上。下面以PreService服務(wù)為例來說明具體的實現(xiàn)過程。

在Magic C++.NET中，新建工程Preprocess，建立Preprocess.cpp文件，給出該文件的代碼片段，如下所示:

……

//特征化文本

void replace(char*r，char*w)

{

……

}

//轉(zhuǎn)換成GBK字符編碼

void convert(char*r，char*w)

{

……

}

fclose(rf);

fclose(wf);

}

……

void main()

{

……

}

代碼片段給出了函數(shù)convert(char*r，char*w)和函數(shù)replace(char*r，char*w)實現(xiàn)的部分代碼，前者用來將原始語料文本的編碼方式統(tǒng)一轉(zhuǎn)換成GBK編碼，后者用來標(biāo)準(zhǔn)化加入特征后的中間文件。

為了使程序既能在Linux上執(zhí)行，又能在Windows上執(zhí)行，通過Magic C++.NET可以很方便的在Linux上生成可執(zhí)行的 shell命令:../usr/seg/Preprocess，在 Windows 平臺上生成 Preprocess.exe作為可執(zhí)行文件。

算法實現(xiàn)之后，下一步就是利用Java和GT4提供的API來封裝成網(wǎng)格服務(wù)PreService。在Eclipse新建一個GT4工程PreService，實現(xiàn)的關(guān)鍵代碼如下所示。

package org.zhhz.gt4.example.impl;

……

import org.globus.wsrf.ResourcePropertySet;

importorg.globus.wsrf.impl.SimpleResourcePropertySet;

……

public class PreService implements Resource，ResourceProperties{

……

/* Constructor.Initializes RPs*/

public PreService()throws RemoteException{

this.propSet=new SimpleResourcePropertySet

(PreServiceQNames.RESOURCE_PROPERTIES);

……

}

……

//判斷操作系統(tǒng)的類別

private boolean checkosversion(){

……

}

//進(jìn)行預(yù)處理

public TxtnameResponse preservice(Txtname tname){

}

return null;

}

……

}

4 實驗分析

實驗搭建的網(wǎng)格環(huán)境為:1個主機作為調(diào)度節(jié)點，12個性能不同的主機作為資源節(jié)點，并且每個節(jié)點上都部署了PreService服務(wù)、CRFTrainServie服務(wù)、CRFService服務(wù)和OptSevice服務(wù)。其中8個資源節(jié)點的性能列表見表1，其他4個節(jié)點的操作系統(tǒng)是Linux，CPU 頻率為3.0GHz，內(nèi)存大小是512兆。

分詞處理采用的語料有兩個，一個是PKU訓(xùn)練語料和測試語料，該語料來自北京大學(xué)語料庫，其規(guī)模為110萬詞，編碼方式采用國標(biāo)碼，語料庫內(nèi)容主要來源于報紙新聞，其語料格式由被空格標(biāo)記的詞組成的句子段落構(gòu)成。另一個語料是SIGHAN的MSRA語料，該語料同樣采用國標(biāo)碼編碼，且語料格式跟PKU一樣，但語料庫相對大一些。因為分詞處理執(zhí)行效率比較低，在實驗過程中通常利用高性能的集群環(huán)境來處理。

為了證明調(diào)度模型的有效性和實用性。作者對分詞處理程序在集群環(huán)境中的運行時間與分詞處理工作流在網(wǎng)格中的執(zhí)行時間進(jìn)行了比較分析，如圖3所示。

表1 資源節(jié)點性能表

圖3 分詞處理程序執(zhí)行時間與分詞工作流執(zhí)行時間比較圖

從圖3可以看出，分詞處理程序處理MSRA語料的執(zhí)行時間略高于處理PKU語料的時間。分詞處理程序的執(zhí)行時間比分詞工作流的執(zhí)行時間高很多，工作流的引入，大大提高了分詞應(yīng)用的執(zhí)行效率;另一方面執(zhí)行時間并沒有因為多個節(jié)點并行執(zhí)行而成倍的縮短。

5 結(jié)束語

通過結(jié)合分詞的應(yīng)用，作者針對基于條件隨機場分詞程序訓(xùn)練速度比較慢的缺點，通過在分詞處理應(yīng)用中引入工作流機制，提出了基于條件隨機場的分詞工作模型。最后實驗結(jié)果表明，該模型能有效地提高分詞處理的執(zhí)行效率，分詞工作流的執(zhí)行時間遠(yuǎn)低于分詞處理程序的執(zhí)行時間。

［1］Lafferty J，McCallum A，Pereira F.Conditional random fields:probabilistic models for segmenting and labeling sequence data［A］.Processing of the International Conference on Machine Learning(ICML －2001)［C］.Williams MA，2001:282 －289.

［2］郭文彩.面向服務(wù)的網(wǎng)格工作流關(guān)鍵技術(shù)研究［D］.北京:北京科技大學(xué)，2005.

［3］XueNW.Chinese word segmentation as character tagging［J］.Computational Linguistics and Chinese Language Processing，2003，8(1):29 －48.

［4］John Lafferty，Andrew McCallum，F(xiàn)ernando Pereira.Conditional random fields:Probabilistic models for segmenting and labeling sequence data［C］.Proc of ICML，2001:282－289.