Day14:使用斯坦福 NER 軟體包實現你自己的命名實體識別器
我並不是一個機器學習(Machine Learning)、自然語言處理(Natural Text Processing,NLP)等的狂熱者,但我總會想到一些需要用到它們的主意。我們今天在這篇博文中要實現的目標是:利用 Twitter 資料建立一個實時的職位搜尋。每個單獨的搜尋結果要包括提供職位的公司名稱、工作的地點、去公司應聘時聯絡的人。這需要我們從 個人(Person)、地點(Location)、組織(Organisation)三方面去分析每一條推(tweet)。這類問題被歸為命名實體識別(Named Entity Recognition,NER)問題。
根據維基百科的資料,命名實體識別是資訊提取(Information Extraction)的一個子任務,它把文字的原子元素(Atomic Element)定位和分類好,然後輸出為固定格式的目錄,例如: 人名、組織、位置、時間的表示、數量、貨幣值、百分比等。
為了說的更明白,我們來舉個例子。假設我們有下面這條推:
一個普通人可以輕易地分辨出一個名為 PSI Pax 的組織在 Baltimore 有個空缺的職位。但是我們怎麼用程式設計的方式來完成這個識別呢? 最簡單的辦法是維護一個包含所有組織名稱、地點的列表,然後對這個列表進行搜尋。然而,這種做法的可擴充套件性太差了。
今天,在這篇博文中,我會描述如何用斯坦福 NER(Stanford NER) 軟體包去設定我們自己的 NER 伺服器。
什麼是 斯坦福 NER?
斯坦福 NER 命名實體識別(Named Entity Recognizer,NER)的 Java 實現。 NER 標識一段文字中的一系列名詞,例如人名、公司名,又或者基因名、蛋白質名。
前期準備
-
一些基本的 Java 知識是需要的。在你的作業系統上安裝最新版本的 JDK,你可以安裝 OpenJDK 或者 Oracle JDK 7。OpenShift 支援 OpenJDK 6 和 7.
-
註冊一個 OpenShift 賬戶。這是完全免費的,而且紅帽(Red Hat)會給每個使用者三個免費的 Gears,在 Gears 上你可以執行你的程式。在這篇文章寫的時候,OpenShift 會為每個使用者分配 1.5GB 的記憶體和 3GB 的硬碟空間。
-
在本機上,安裝 rhc 客戶端工具。rhc 是一個 ruby gem,所以你需要機子上安裝好 ruby 1.8.7 及以上的 ruby。要安裝 rhc,輸入:
sudo gem install rhc
更新 rhc 到最新版本,執行:
sudo gem updatge rhc
5.使用 rhc setup 命令設定好 OpenShift 賬戶,這個命令會為你建立一個名稱空間,然後上傳你的 ssh keys 到 OpenShift 伺服器上。
第一步:建立一個 JBoss EAP 應用
我們現在開始建立這個演示應用。這個應用的名稱是 nerdemo
rhc create-app nerdemo jbosseap
如果你可以訪問媒介齒輪(Medium Gears),你可以使用下面的命令:
$ rhc create-app nerdemo jbosseap -g medium
它會為我們建立一個應用容器,叫做 Gear,會自動設定好需要的 SELinux/cgroup 配置。OpenShift 也會為我們建立一個私密的 git 倉庫,然後可克隆這個倉庫到本地系統上。最後,OpenShift 還會部署一個連線外面的 DNS。部署的應用可以通過連結: http://linkbin-domain-name.rhcloud.com/ 來訪問。把領域換成自己的 OpenShit 領域(有時候叫 命令空間)
第二步:增加 Maven 依賴
在 pom.xml 檔案中,增加一下依賴:
<dependency>
<groupId>edu.stanford.nlp</groupId>
<artifactId>stanford-corenlp</artifactId>
<version>3.2.0</version>
</dependency>
然後,通過更新 pom.xml 檔案中的一些屬性把 Maven 專案更新到 Java 7
<maven.compiler.source>1.7</maven.compiler.source>
<maven.compiler.target>1.7</maven.compiler.target>
現在,通過 右擊 > Maven > 更新專案
更新 Maven
第三步:開啟 CDI
我們會使用 CDI 來進行依賴項注入(Dependency Injection)。CDI(Context and Dependency Injection)是 Java EE 6 的一個特性,它允許在 Java EE 6 專案中的依賴項注入。CDI 為 Java EE 定義一個型別安全(type-safe) 的 依賴項注入機制。幾乎任何 POJO 可以作為 CDI 豆(bean)那樣被注入。
在 src/main/webapp/WEB-INF 目錄下,建立一個名為 beans.xml 的 xml 檔案。用下面的內容代替 beans.xml 的內容:
<beans xmlns="http://java.sun.com/xml/ns/javaee" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://java.sun.com/xml/ns/javaee http://java.sun.com/xml/ns/javaee/beans_1_0.xsd">
</beans>
第四步:應用程式作用域分類器的豆(Application Scoped Classifier Bean)
現在,我們建立一個應用程式作用域的豆(bean),這個豆會建立 CRFClassifier 類的例項。這個分類器用於檢測文字中的名字、地點和組織
package com.nerdemo;
import javax.annotation.PostConstruct;
import javax.enterprise.context.ApplicationScoped;
import javax.enterprise.inject.Produces;
import javax.inject.Named;
import edu.stanford.nlp.ie.crf.CRFClassifier;
import edu.stanford.nlp.ling.CoreLabel;
@ApplicationScoped
public class ClassifierConfig {
private String serializedClassifier = "classifiers/english.all.3class.distsim.crf.ser.gz";
private CRFClassifier<CoreLabel> classifier;
@PostConstruct
public void postConstruct() {
CRFClassifier<CoreLabel> classifier = CRFClassifier.getClassifierNoExceptions(serializedClassifier);
this.classifier = classifier;
}
@Produces
@Named
public CRFClassifier<CoreLabel> classifier() {
return classifier;
}
}
從下載的斯坦福 NER 軟體包中複製 english.all.3class.distsim.crf.ser.gz 分類器到 src/main/resources/classifiers 目錄下。
第五步:開啟 AX-RS
為了開啟 AX-RS,建立一個擴充套件 javax.ws.rs.core.Application 的類,然後用下面 javax.ws.rs.ApplicationPath 的標記法標記應用程式的路徑:
package com.nerdemo;
import javax.ws.rs.ApplicationPath;
import javax.ws.rs.core.Application;
@ApplicationPath("/api/v1")
public class JaxrsInitializer extends Application{
}
第六步:建立 ClassifyRestResource 類
現在我們要建立 ClassifyRestResource 類,它返回一個 NER 結果。建立一個新的 ClassifyRestResource 類,然後用下面程式碼代替它:
package com.nerdemo;
import java.util.ArrayList;
import java.util.List;
import javax.inject.Inject;
import javax.ws.rs.GET;
import javax.ws.rs.Path;
import javax.ws.rs.PathParam;
import javax.ws.rs.Produces;
import javax.ws.rs.core.MediaType;
import edu.stanford.nlp.ie.crf.CRFClassifier;
import edu.stanford.nlp.ling.CoreAnnotations;
import edu.stanford.nlp.ling.CoreLabel;
@Path("/classify")
public class ClassifierRestResource {
@Inject
private CRFClassifier<CoreLabel> classifier;
@GET
@Path(value = "/{text}")
@Produces(value = MediaType.APPLICATION_JSON)
public List<Result> findNer(@PathParam("text") String text) {
List<List<CoreLabel>> classify = classifier.classify(text);
List<Result> results = new ArrayList<>();
for (List<CoreLabel> coreLabels : classify) {
for (CoreLabel coreLabel : coreLabels) {
String word = coreLabel.word();
String answer = coreLabel.get(CoreAnnotations.AnswerAnnotation.class);
if(!"O".equals(answer)){
results.add(new Result(word, answer));
}
}
}
return results;
}
}
部署到 OpenShift
最後,部署所做的改變到 OpenShift:
$ git add .
$ git commit -am "NER demo app"
$ git push
然後,你就會得到一個 JSON 格式的結果:
[
{"word":"Microsoft","answer":"ORGANIZATION"},
{"word":"PSI","answer":"ORGANIZATION"},
{"word":"Pax","answer":"ORGANIZATION"},
{"word":"Baltimore","answer":"LOCATION"}
]
這就是今天的內容了,保持反饋!