Skip to content

Latest commit

 

History

History
executable file
·
190 lines (128 loc) · 4.36 KB

README.md

File metadata and controls

executable file
·
190 lines (128 loc) · 4.36 KB

SimCRF

This project is aim to provide a super easy way to train crf model and extract entities from text.

中文文档

Installation

pip install simcrf

Training Data Format

crf usually use iob tagging (https://en.wikipedia.org/wiki/Inside_Outside_Beginning)

input data can be:

  1. word, pos_tag, iob_tag
  2. word, iob_tag

iob_tag:

  • I: inside of entity
  • O: outside of entity
  • B: beginning of entity

Example:

打印机 n O
采购 v O
品目 n O
采购 v O
单位 n O
曲周县 nr B
职业 n I
技术 n I
教育 vn I
中心 n I
行政区域 n O
曲周县 nr O
公告 n O
时间 n O

技术 n I
教育 vn I
中心 n I
采购 v O
单位地址 n O
曲周县 nr B
职业 n I
技术 n I
教育 vn I
中心 n I
采购 v O
单位 n O
联系方式 l O
18932708288 m O

中心 n I
采购 v O
人 n O
地址 n O
: x O
曲周县 nr B
职业 n I
技术 n I
教育 vn I
中心 n I
采购 v O
人 n O
联系方式 l O
: x O

Usage

Train model:

from simcrf import SimCRF
ner = SimCRF()

# note: also support only tokens
X_train = [
    [
        ('打印机', 'n'), ('采购', 'v'), ('品目', 'n'), ('采购', 'v'), ('单位', 'n'), ('曲周县', 'nr'), ('职业', 'n'), ('技术', 'n'), ('教育', 'vn'), ('中心', 'n'), ('行政区域', 'n'), ('曲周县', 'nr'), ('公告', 'n'), ('时间', 'n')
    ],
    [
        ('打印机', 'n'), ('采购', 'v'), ('品目', 'n'), ('采购', 'v'), ('单位', 'n'), ('曲周县', 'nr'), ('职业', 'n'), ('技术', 'n'), ('教育', 'vn'), ('中心', 'n'), ('行政区域', 'n'), ('曲周县', 'nr'), ('公告', 'n'), ('时间', 'n')
    ]
]

y_train = [
    ['O','O','O','O','O','B','I','I','I','I','O','O','O','O'],
    ['O','O','O','O','O','B','I','I','I','I','O','O','O','O']
]

X_features = ner.transform(X_train)
ner.fit(X_features, y_train)

print(ner.extract_taggedtokens(X_train[0]))

Save model

ner.save('~/crf_test.pkl')

Load model

ner = SimCRF.load('~/crf_test.pkl')

Extract entities

To support different tokenizer, you need tokenize your text first and feed to crf model.

import jieba.posseg as pseg
ner = SimCRF.load('xxxx.pkl')

text = '''     哈尔滨工业大学招标与采购管理中心受总务处的委托,就哈尔滨工业大学部分住宅小区供热入网项目(项目编号:GC2017DX035)组织采购,评标工作已经结束,中标结果如下:

一、项目信息

项目编号:GC2017DX035

项目名称:哈尔滨工业大学部分住宅小区供热入网

项目联系人:李占奎 王 吉

联系方式:电话: 0451-86417953 13936645563



二、采购单位信息

采购单位名称:总务处

采购单位地址:哈尔滨市南岗区西大直街92号

采购单位联系方式:孔繁武 0451-86417975



三、项目用途、简要技术要求及合同履行日期:

见结果公示



四、采购代理机构信息

采购代理机构全称:哈尔滨工业大学招标与采购管理中心

采购代理机构地址:哈尔滨市南岗区西大直街92号哈尔滨工业大学行政办公楼203房间

采购代理机构联系方式:李占奎 王 吉 电话: 0451-86417953 13936645563
'''

sent = [tuple(pair) for pair in pseg.cut(text)]
ret = ner.extract_taggedtokens(sent)

print(ret)

Custom crfsuite model

SimCrf aim to provide a simple and easy way to train and extract entities. It take off the feature trasfroming and trainning apart from you.So to customize crf model, you need train a sklearn-crfsuite model. You would change trainning parameter and generation of features yourself, and pass the model to SimCRF:

from simcrf import SimCRF
import sklearn_crfsuite

crf_model = sklearn_crfsuite.CRF(
    algorithm='lbfgs',
    c1=0.1,
    c2=0.1,
    max_iterations=100,
    all_possible_transitions=True
)
crf_model.fit(X_train, y_train)

ner = SimCRF(crf_model)

ret = ner.extract(sent)

sklearn-crfsuite docs: https://sklearn-crfsuite.readthedocs.io/

crfsuite docs: http://www.chokkan.org/software/crfsuite/manual.html