人民日报语料库处理工具集
包含人民日报语料相关的处理脚本。
输出的格式为类似 CoNLL-U 格式
处理流程
-
文件编码格式转换
-
解析并转化语料库
这里详细介绍一下 解析并转化语料库 这一部分
解析语料库
因为原始的人民日报语料库格式存在嵌套语法等，导致其难以用规则的方法解析，这里使用了基于 ply 的 lex + yacc 的语法解析方案。
转换语料库（仅应用于 NER 数据）
-
1998语料库标注人名时，将姓和名分开标注，因此需要合并姓名，比如
王/nrf 小明/nrg应该合并成王小明/nr -
中括号括起来的几个词表示大粒度分词，表意能力更强，需要将括号内内容合并，比如
[**/n 人民/n 广播/vn 电台/n]nt应该合并成**人民广播电台/nt -
时间合并，例如将”1997年/t 3月/t” 合并成”1997年3月/t”
-
全角字符统一转为半角字符，尤其是数字的表示，比如：
1９９８年/t应该转换成1998年/t
使用
预料下载
人民日报语料库是版权材料，本仓库不提供原始的人民日报语料库，但是用户登录官方网站后可以自行下载（任何人都可以注册）。
请访问 现代汉语多级加工语料库, 注册用户后方可下载语料库。
请下载 5-199801基本标注语料库-2003年版规范-20170612.rar ，解压缩后将文件 1998-01-2003版-带音.txt 放置到 ./data 目录下。
运行脚本
环境要求：python >= 3.5
安装依赖
pip install -r ./requirements.txt转换文件编码
原始文件采用的是 gbk，需要将其转换成 utf-8 编码
python ./convert_encoding.py-
默认输入文件：
data/1998-01-2003版-带音.txt -
输出文件：
data/raw_data.txt
解析并转化语料库
将原始的语料库格式解析并转换成类似 CoNLL-U 格式
python ./parse_data.py运行结束后，将得到文件 ./data/xxx.conllu
默认情况下，运行此文件将得到两个文件：data_False-True-True-False-False-False-False.conllu 和 data_False-True-True-True-True-True-False.conllu
文件名中的 True False 对应着选项 merge_sub_token、remove_geta_symbol、extract_first_token_as_document_id、merge_family_name、merge_time、replace_double_byte_punctuation 和 output_doc_id 的启用或者关闭。
data_False-True-True-False-False-False-False.conllu 是为了后续分词任务而准备的，它关闭了某些合并操作。
data_False-True-True-True-True-True-False.conllu 是为了后续 ENR 任务而准备的，它应用了某些合并操作。
-
输入文件：
data/raw_data.txt -
输出文件：
data/conllu/data_False-True-True-False-False-False-False.conllu和data/conllu/data_False-True-True-True-True-True-False.conllu
CoNLL-U 格式介绍
分割 train / dev / test
python ./split_data.py默认按照 train 90% / dev 0% / test 10% 做的分割，所得到的文件分别为 train.conllu dev.conllu test.conllu ，位于 ./data/split_data 目录中。
-
输入文件：
data/conllu/data_False-True-True-True-True-True-False.conllu -
输出文件：
data/split_data/train.conllu、data/split_data/dev.conllu和data/split_data/test.conllu
命名实体识别
原始的人民日报语料库中不包含实体信息，但是有 POS 信息，根据人民日报语料库的标注标准，特定类别的名词被标记成了特殊的 POS, 因此可以利用这些信息来完成提取实体的工作。
根据1998语料库的词性标记说明，词性标记：t、nr、ns 和 nt 依次对应的实体是时间（DATE）、人名（PERSON）、地名（GPE）、组织机构名（ORG, organization）。
本项目的 NER 标记系统支持:
-
BILUO，在 The BILUO Scheme 中详细的介绍了这个标记系统。 -
BIO, 在 Coding Chunkers as Taggers: IO, BIO, BMEWO, and BMEWO+ 中详细的介绍了这个标记系统。
默认使用的 BIO 系统。
CRF++ 格式
CRF 系统所需的格式与 CoNLL-U 格式不太一致（CoNLL-U 格式比 CRF 格式多第一列的 index），需要经过转换。
基于词（word)的 NER
python ./conll_to_word_crfpp.py所得到的文件位于 ./data/split_crfpp 目录中。
-
输入文件：
data/split_data/train.conllu、data/split_data/dev.conllu和data/split_data/test.conllu -
输出文件：
data/split_crfpp/train.txt、data/split_crfpp/dev.txt和data/split_crfpp/test.txt
所得文件样例如下：
１９９７年 B-DATE
的 O
最后 O
一 O
天 O
， O
得克萨斯州 B-GPE
联邦 O
地方 O
法官 O
肯代尔 B-PERSON
的 O基于字（char)的 NER
python ./conll_to_char_crfpp.py所得到的文件位于 ./data/split_char_crfpp 目录中。
-
输入文件：
data/split_data/train.conllu、data/split_data/dev.conllu和data/split_data/test.conllu -
输出文件：
data/split_char_crfpp/train.txt、data/split_char_crfpp/dev.txt和data/split_char_crfpp/test.txt
所得文件样例如下：
１ B-DATE
９ I-DATE
９ I-DATE
７ I-DATE
年 L-DATE
的 O
最 O
后 O
一 O
天 O
， O
得 B-GPE
克 I-GPE
萨 I-GPE
斯 I-GPE
州 L-GPE
联 O
邦 O
地 O
方 O
法 O
官 O
肯 B-PERSON
代 I-PERSON
尔 L-PERSON
的 O中文分词
空白分割格式
python ./split_data_to_token.py所得到的文件分别为 train.txt dev.txt test.txt ，位于 ./data/split_token 目录中。
CRF++ 格式
python ./split_token_to_token_conll.py所得到的文件分别为 train.txt dev.txt test.txt ，位于 ./data/split_conll 目录中。
TODO
-
增加自定义输入输入的 CLI 入口
致谢
转换语料库 部分参考了文章 达观数据如何打造一个中文NER系统 的内容