Проблема:

У меня есть пары предложений, в которых отсутствует точка и заглавная буква между ними. Нужно отделить их друг от друга. Я ищу помощи в выборе хороших функций для улучшения модели.

Задний план:

Я использую pycrfsuite для классификации последовательностей и поиска конца первого предложения, например:

Из коричневого корпуса я соединяю каждые два предложения вместе и получаю их почтовые теги. Затем я помечаю каждый токен в предложении 'S', если за ним следует пробел, и 'P', если за ним следует точка в предложении. Затем я удаляю точку между предложениями и опускаю следующий токен. Я получаю что-то вроде этого:

Вход:

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

Вывод:

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']

На данный момент я извлекаю эти общие черты:

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')

И тренируйте crf с такими параметрами:

    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')

Результаты:

Отчет о точности показывает:

              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

Каким образом я могу изменить word2features2(), чтобы улучшить модель? (или любую другую часть)

Вот ссылка на полный код в его нынешнем виде. .

Кроме того, я только новичок в НЛП, поэтому я был бы очень признателен за любые отзывы в целом, ссылки на соответствующие или полезные источники и довольно простые объяснения. Огромное спасибо!