什么特征有助于对句尾进行分类？序列分类

Question

问题：

我有几对句子之间没有句点和大写字母。需要把它们分开。我正在寻找一些帮助，在挑选好的功能，以改善模型。你知道吗

背景：

我使用pycrfsuite来执行序列分类并找到第一句话的结尾，如下所示：

从brown语料库中，我把每两句话连接起来，得到它们的词性标签。然后，我用'S'标记句子中的每个标记，如果空格跟在它后面，如果句点跟在它后面，则用'P'。然后我删除句子之间的句点，并降低以下标记。我得到这样的结果：

输入：

data = ['I love Harry Potter.', 'It is my favorite book.']

输出：

sent = [('I', 'PRP'), ('love', 'VBP'), ('Harry', 'NNP'), ('Potter', 'NNP'), ('it', 'PRP'), ('is', 'VBZ'), ('my', 'PRP$'), ('favorite', 'JJ'), ('book', 'NN')]
labels = ['S', 'S', 'S', 'P', 'S', 'S', 'S', 'S', 'S']

目前，我提取了以下一般特征：

def word2features2(sent, i):
    word = sent[i][0]
    postag = sent[i][1]

    # Common features for all words
    features = [
        'bias',
        'word.lower=' + word.lower(),
        'word[-3:]=' + word[-3:],
        'word[-2:]=' + word[-2:],
        'word.isupper=%s' % word.isupper(),
        'word.isdigit=%s' % word.isdigit(),
        'postag=' + postag
    ]

    # Features for words that are not
    # at the beginning of a document
    if i > 0:
        word1 = sent[i-1][0]
        postag1 = sent[i-1][1]
        features.extend([
            '-1:word.lower=' + word1.lower(),
            '-1:word.isupper=%s' % word1.isupper(),
            '-1:word.isdigit=%s' % word1.isdigit(),
            '-1:postag=' + postag1
        ])
    else:
        # Indicate that it is the 'beginning of a sentence'
        features.append('BOS')

    # Features for words that are not
    # at the end of a document
    if i < len(sent)-1:
        word1 = sent[i+1][0]
        postag1 = sent[i+1][1]
        features.extend([
            '+1:word.lower=' + word1.lower(),
            '+1:word.isupper=%s' % word1.isupper(),
            '+1:word.isdigit=%s' % word1.isdigit(),
            '+1:postag=' + postag1
        ])
    else:
        # Indicate that it is the 'end of a sentence'
        features.append('EOS')

并用这些参数训练crf：

    trainer = pycrfsuite.Trainer(verbose=True)

    # Submit training data to the trainer
    for xseq, yseq in zip(X_train, y_train):
        trainer.append(xseq, yseq)

    # Set the parameters of the model
    trainer.set_params({
        # coefficient for L1 penalty
        'c1': 0.1,

        # coefficient for L2 penalty
        'c2': 0.01,

        # maximum number of iterations
        'max_iterations': 200,

        # whether to include transitions that
        # are possible, but not observed
        'feature.possible_transitions': True
    })

    trainer.train('crf.model')

结果：

准确度报告显示：

              precision    recall  f1-score   support

           S       0.99      1.00      0.99    214627
           P       0.81      0.57      0.67      5734

   micro avg       0.99      0.99      0.99    220361
   macro avg       0.90      0.79      0.83    220361
weighted avg       0.98      0.99      0.98    220361

有什么方法可以编辑word2features2()来改进模型？（或任何其他部分）

这里是完整代码的link，就像今天一样。你知道吗

另外，我只是nlp的初学者，所以我非常感谢所有的反馈，相关或有用的资源的链接，以及非常简单的解释。非常感谢！你知道吗

Answer 1

由于问题的性质，您的类是非常不平衡的，因此我建议使用加权损失，其中p标记的损失比S类的损失的值更高。我认为问题可能是由于两个类的权重相等，分类器没有对这些P标签给予足够的关注，因为它们对损失的影响很小。你知道吗

您可以尝试的另一件事是超参数优化，确保为宏f1评分进行优化，因为无论支持实例的数量如何，它都将为两个类提供相等的权重。你知道吗