系列ラベリングの素性抽出
系列ラベリング問題を取り扱う際の素性抽出が、いつも複雑になりがちなので、テンプレートを書いてサクッと抽出できるよう整理しました。
どんな素性を抽出したいか
固有表現抽出を例にあげます。
以下の表は、「午前８時に東京駅で集合する。」という文を形態素解析し、IOB2(Inside-outside-beggining)タグ形式で固有表現のラベルを付与したものです。
| 単語 | 品詞 | IOB2タグ |
|---|---|---|
| 午前 | 名詞 | B-TIME |
| ８ | 名詞 | I-TIME |
| 時 | 名詞 | I-TIME |
| に | 助詞 | O |
| 東京 | 名詞 | B-LOCATION |
| 駅 | 名詞 | I-LOCATION |
| で | 助詞 | O |
| 集合 | 名詞 | O |
| する | 動詞 | O |
| 。 | 記号 | O |
「午前８時」はTIME属性、「東京駅」はLOCATION属性を持つことになります。
ここで、「東京」という単語を例に素性抽出します。
素性には、対象単語と前後２単語の表層形、対象単語と前後２単語の品詞、推定済みの前2単語のIOB2タグを利用するとします。 あるラベルを学習する際の素性は、Pythonの辞書形式で表すと以下のようになります。
{
"word-2": "時",
"word-1": "に",
"word": "東京",
"word+1": "駅",
"word+2": "で",
"pos-2": "名詞",
"pos-1": "助詞",
"pos": "名詞",
"pos+1": "名詞",
"pos+2": "助詞",
"iob-2": "I-TIME",
"iob-1": "O"
}
これを簡単に抽出できるように、テンプレート作ります。
テンプレートを使って素性抽出
テンプレートは、「ラベル名、素性抽出のための関数、対象単語からの相対的な位置」を持ちます。
素性抽出のための関数は、対象の素性を抽出するための関数で、例えば小文字かどうかを素性に含めたい場合は lambda x: x.surface.islower() のような処理を記述します。
例では、あるトークンのインスタンス変数としてsurfaceを持っているため、x.surfaceでアクセスしていますが、x['surface']のように与えるトークンの形式により異なります。
# 素性抽出のための関数 word_feature = lambda x: x.surface pos_feature = lambda x: x.pos iob2_feature = lambda x: x.iob2 # テンプレート templates = [ ("word-2", word_feature, -2), ("word-1", word_feature, -1), ("word", word_feature, 0), ("word+1", word_feature, 1), ("word+2", word_feature, 2), ("pos-2", pos_feature, -2), ("pos-1", pos_feature, -1),("pos", pos_feature, 0), ("pos+1", pos_feature, 1), ("pos+2", pos_feature, 2), ("iob2-2", iob2_feature, -2), ("iob2-1", iob2_feature, -1), ]
テンプレートを適用し素性抽出を行うメソッドを書きます。
def iter_feature(tokens, templates): tokens_len = len(tokens) for i in range(tokens_len): # バイアス項 feature = {"bias": 1.0} # テンプレートを適用 for label, f, target in templates: current = i + target if current < 0 or current >= tokens_len: continue feature[label] = f(tokens[current]) # BOSとEOS if i == 0: feature["BOS"] = True elif i == tokens_len - 1: feature["EOS"] = True yield feature
たとえば、scikit-learnを利用する場合は、辞書形式で抽出された素性を、DictVectorizerでベクトル化することで、利用可能となります。
features = [] for tokens in corpus: features.extend(iter_feature(tokens, templates)) # from sklearn.feature_extraction import DictVectorizer feature_vectorizer = DictVectorizer() vec = feature_vectorizer.fit_transform(features)
同じテンプレートで推定を行う
実際の推定時には、以下のように先頭から順に推定し、推定したタグを代入していくことで、次のタグの素性抽出時に推定した前のタグが利用可能になります。
# tokensは推定したいトークン列, templatesは学習時と同じものを利用 for token, feature in zip(tokens, iter_feature(tokens, templates)): # 素性抽出 vec = feature_vectorizer.transform(feature) # tokenのiob2変数に推定値をセットする token.iob2 = label_encoder.inverse_transform(model.predict(vec))[0]
