nltk3 brill trainer api（我写的）确实处理用多维描述的标记序列的训练
功能，因为您的数据就是一个例子。然而，实际限制可能很严重。多维学习中可能的模板数量
急剧增加，并且 brill trainer 的当前 nltk 实现会交换内存
对于速度，类似于 Ramshaw 和 Marcus 1994，“探索转换规则序列的统计推导......”。
内存消耗可能是巨大的
为系统提供更多的数据和/或模板非常容易
它可以处理。一个有用的策略是排名
模板根据它们产生良好规则的频率（参见
print_template_statistics() 在下面的示例中）。
通常，您可以丢弃得分最低的部分（例如 50-90%）
性能损失很小或没有损失，训练时间大大减少。
另一种或额外的可能性是使用 nltk
Brill 的原始算法的实现，该算法具有非常不同的内存速度权衡；它没有索引，因此将使用更少的内存。它使用了一些优化，实际上在找到最佳规则方面相当快，但是当有许多竞争的、低分的候选人时，通常在训练结束时速度非常慢。无论如何，有时你并不需要这些。由于某种原因，新的 nltks 似乎省略了这个实现，但这里是源代码（我刚刚测试过）http://www.nltk.org/_modules/nltk/tag/brill_trainer_orig.html。
还有其他权衡取舍的算法，以及
特别是 Florian 和 Ngai 2000 的快速高效内存索引算法
(http://www.aclweb.org/anthology/N/N01/N01-1006.pdf) 和
Samuel 1998 的概率规则抽样
(https://www.aaai.org/Papers/FLAIRS/1998/FLAIRS98-045.pdf) 将是一个有用的补充。此外，正如您所注意到的，文档并不完整，并且过于关注词性标记，并且不清楚如何从中进行概括。修复文档（也）在待办事项列表中。
然而，对 nltk 中的广义（非 POS 标记）tbl 的兴趣相当有限（nltk2 完全不适合的 api 10 年没有被触及），所以不要屏住呼吸。如果您不耐烦，不妨查看更多专用的替代方案，
特别是 mutbl 和 fntbl （谷歌他们，我只有两个链接的声誉）。
不管怎样，这里是 nltk 的速写：
首先，nltk 中的硬编码约定是标记序列（'tags' 表示任何标签
您想分配给您的数据，不一定是词性）被表示
作为对的序列，[(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，标记可能是单词
以及它们的 POS 字符串，如
[('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something', 'NN'), ('completely', 'RB'), ('different', 'JJ')]
（顺便说一句，这种令牌序列标签对约定在 nltk 和
它的文档，但可以说它应该更好地表示为命名元组
而不是对，所以不是说
[token for (token, _tag) in tagged_sequence]
你可以说例如
[x.token for x in tagged_sequence]
第一种情况在非对上失败，但第二种利用鸭子打字所以
tagged_sequence 可以是任何用户定义的实例序列，只要
他们有一个属性“令牌”。）
现在，您可以更丰富地表示您的令牌是什么
处理。现有的标注器接口 (nltk.tag.api.FeaturesetTaggerI) 需要
每个标记作为一个特征集而不是一个字符串，这是一个映射的字典
特征名称为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 nltk 的其余部分中支持较少）。
例如，您可以为每个令牌创建一个命名元组，或者一个用户定义的
允许您添加任意数量的动态计算的类
属性访问（可能使用@property 来提供一致的接口）。
brill 标记器不需要知道您当前提供的视图
在你的代币上。但是，它确实需要您提供初始标记器
它可以将代表中的标记序列转换为
标签。您不能直接使用 nltk.tag.sequential 中的现有标记器，
因为他们期望 [(word, tag), ...]。但你仍然可以
剥削他们。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))
上面的设置构建了一个词性标注器。如果您希望以另一个属性为目标，例如构建 IOB 标记器，则需要进行一些小的更改
以便目标属性（您可以将其视为读写）
从您的语料库中的“标签”位置访问 [(token, tag), ...]
和任何其他属性（您可以将其视为只读）
从“令牌”位置访问。例如：
1) 为 IOB 标记构建您的语料库 [(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]