结构化感知器（Structured Perceptron, SP）是由Collins [1]在EMNLP'02上提出来的，用于解决序列标注的问题。中文分词工具THULAC、LTP所采用的分词模型便是基于此。

1. 结构化感知器

模型

CRF全局化地以最大熵准则建模概率P(Y|X)；其中，XX为输入序列xn1，Y为标注序列yn1。不同于CRF建模概率函数，SP则是以最大熵准则建模score函数：

其中，Φs(Y,X)为本地特征函数ϕs(hi,yi)的全局化表示：

那么，SP解决序列标注问题，可视作为：给定X序列，求解score函数最大值对应的Y序列：

为了避免模型过拟合，保留每一次更新的权重，然后对其求平均。具体流程如下所示：

因此，结构化感知器也被称为平均感知器（Average Perceptron）。

解码

在将SP应用于中文分词时，除了事先定义的特征模板外，还用用到一个状态转移特征(yt−1,yt)。记在时刻t的状态为y的路径yt1所对应的score函数最大值为

则有，在时刻t+1

其中，wy′,y为转移特征(y′,y)所对应的权值，F(yt+1=y,X)为yt+1=y所对应的特征模板的特征值的加权之和。

2. 开源实现

张开旭大神的minitools/cws（THULAC的雏形）给出了SP中文分词的简单实现。首先，来看看定义的特征模板：

def gen_features(self, x):  # 枚举得到每个字的特征向量

    for i in range(len(x)):

        left2 = x[i - 2] if i - 2 >= 0 else '#'

        left1 = x[i - 1] if i - 1 >= 0 else '#'

        mid = x[i]

        right1 = x[i + 1] if i + 1 < len(x) else '#'

        right2 = x[i + 2] if i + 2 < len(x) else '#'

        features = ['1' + mid, '2' + left1, '3' + right1,

                    '4' + left2 + left1, '5' + left1 + mid, '6' + mid + right1, '7' + right1 + right2]

        yield features

共定义了7个特征：

• xiyi
• xi−1yi
• xi+1yi
• xi−2xi−1yi
• xi−1xiyi
• xixi+1yi
• xi+1xi+2yi

将状态B、M、E、S分别对应于数字0、1、2、3：

def load_example(words):  # 词数组，得到x，y

    y = []

    for word in words:

        if len(word) == 1:

            y.append(3)

        else:

            y.extend([0] + [1] * (len(word) - 2) + [2])

    return ''.join(words), y

训练语料则采取了比较粗糙的更新权重的方法，正确则+1错误则-1：

for i in range(args.iteration):

    print('第 %i 次迭代' % (i + 1), end=' '), sys.stdout.flush()

    evaluator = Evaluator()

    for l in open(args.train, 'r', 'utf-8'):

        x, y = load_example(l.split())

        z = cws.decode(x)

        evaluator(dump_example(x, y), dump_example(x, z))

        cws.weights._step += 1

        if z != y:

            cws.update(x, y, 1)

            cws.update(x, z, -1)

    evaluator.report()

    cws.weights.update_all()

    cws.weights.average()

Viterbi算法用于解码，与HMM相类似：

def decode(self, x):  # 类似隐马模型的动态规划解码算法

    # 类似隐马模型中的转移概率

    transitions = [[self.weights.get_value(str(i) + ':' + str(j), 0) for j in range(4)]

                   for i in range(4)]

    # 类似隐马模型中的发射概率

    emissions = [[sum(self.weights.get_value(str(tag) + feature, 0) for feature in features)

                  for tag in range(4)] for features in self.gen_features(x)]

    # 类似隐马模型中的前向概率

    alphas = [[[e, None] for e in emissions[0]]]

    for i in range(len(x) - 1):

        alphas.append([max([alphas[i][j][0] + transitions[j][k] + emissions[i + 1][k], j]

                           for j in range(4))

                       for k in range(4)])

    # 根据alphas中的“指针”得到最优序列

    alpha = max([alphas[-1][j], j] for j in range(4))

    i = len(x)

    tags = []

    while i:

        tags.append(alpha[1])

        i -= 1

        alpha = alphas[i][alpha[1]]

    return list(reversed(tags))

3. 参考资料

[1] Collins, Michael. "Discriminative training methods for hidden markov models: Theory and experiments with perceptron algorithms." Proceedings of the ACL-02 conference on Empirical methods in natural language processing-Volume 10. Association for Computational Linguistics, 2002.
[2] Zhang, Yue, and Stephen Clark. "Chinese segmentation with a word-based perceptron algorithm." Annual Meeting-Association for Computational Linguistics. Vol. 45. No. 1. 2007.
[3] Kai Zhao and Liang Huang, Structured Prediction with Perceptron: Theory and Algorithms.
[4] Michael Collins, Lecture 4, COMS E6998-3: The Structured Perceptron.