中文分词方法
本文参考自书籍《Python自然语言处理实战:核心技术与算法》
用做个人的学习笔记和分享
1. 规则分词
2. 统计分词
2.1 一般步骤
- 建立统计语言模型。
- 句子划分为单词,对划分结果进行概率分析,获得概率最大的分词方式。
- 常用统计学习算法:隐马尔可夫、条件随机场。
2.2 语言模型
语言模型的形式化描述:
长度为m的字符串的概率分布:
其中
到
依次表示文本中的各个词语,采用链式法则计算概率值。
n-gram模型:文本过长,计算难度大,可忽略距离大于等于n的上文词的影响:
一元模型:n=1,在一元语言模型中,整个句子的概率等于各个词语概率的乘积。言下之意就是各个词之间都是相互独立的,这无疑是完全损失了句中的词序信息。所以一元模型的效果并不理想:
二元模型:n=2,式(2)变为:
三元模型:n=3,式(2)变为:
当n≥2 时,该模型是可以保留一定的词序信息的,而且n 越大,保留的词序信息越丰富,但计算成本也呈指数级增长。
一般使用频率计数的比例来计算n 元条件概率,如式(6)所示:
当n越大时,模型包含的词序信息越丰富,同时计算量随之增大。与此同时,长度越长的文本序列出现的次数也会减少,如按照公式( 3.3 )估计n 元条件概率时,就会出现分子分母为零的情况。因此,一般在n 元模型中需要配合相应的平滑算法解决该问题,如拉普拉斯平滑算法等。
2.3 隐马尔可夫模型(HMM)
基本思路:每个字在构造一个特定的词语时都占据着一个确定的构词位置( 即词位),
现规定每个字最多只有四个构词位置:即B (词首)、M (词中)、E (词尾)和s (单独成词),那么下面句子①的分词结果就可以直接表示成如②所示的逐字标注形式:
①中文/文本处理/需要/进行/中文/分词/。
②中/B文/E文/B本/M处/M理/E需/B要/E/进/B行/E中/B文/E/分/B词/E。/S
形式化描述:
句子:
标签:
KaTeX parse error: \tag works only in display equations
其中
是字,n为句长,σ∈{B,M,E,S}
P(σ|λ)是关于2n个变量的条件概率,n不固定,无法对P(σ|λ)进行精确计算,故引入观测独立性假设:每个字的输出仅与当前字有关。
观察独立性假设存在的问题:完全没有考虑上下文,且会出现不合理的情况。比如按照之前设定的B 、M 、E 和S 标记,正常来说B后面只能是M或者E ,然而基于观测独立性假设,我们很可能得到诸如BBB 、BEM 等的输出,显然是不合理的。
HMM通过贝叶斯公式求解P(σ|λ)
λ为给定的输入,因此P(λ)计算为常数,可以忽略,因此最大化P(σ|λ)等价于最大
化P(λ|σ)P(σ)。
对P(λ|σ)P(σ)做马尔可夫假设:
HMM做齐次马尔可夫假设:
综上所述:
其中
式发射概率,
是转移概率,设置
可以排除BBB、EM等不合理的组合。
求解maxP(λ|σ)P(σ):常用Veterbi算法,算法效率
,l为候选数目最多的节点
的候选数目,与n成正比。
Veterbi算法:是一种动态规划方法,核心思想是:如果最终的最优路径经过某个
,那么从初始节点到
点的路径必然也是一个最优路径一一因为每一个节点
只会影响前后两个
和
。
HMM状态转移示意图如下图所示:
2.4 HMM的Python实现
- 定义HMM类,包含_init_方法、try_load_model方法、train方法
- init:初始化一些全局信息,用于初始化一些成员变量。如状态集合(标记
S 、B 、E 、M ),以及存取概率计算的中间文件。
def __init__(self):
import os
# 主要是用于存取算法中间结果,不用每次都训练模型
self.model_file = './data/hmm_model.pkl'
# 状态值集合
self.state_list = ['B', 'M', 'E', 'S']
# 参数加载,用于判断是否需要重新加载model_file
self.load_para = False
- try_load_model:接收一个参数,用于判别是否加载中间文件结果。当直接加载中间结果时,可以不通过语料库训练,直接进行分词调用。否则,该函数用于初始化初始概率、转移概率以及发射概率等。
# 用于加载已计算的中间结果,当需要重新训练时,需初始化清空结果
def try_load_model(self, trained):
if trained:
import pickle
with open(self.model_file, 'rb') as f:
self.A_dic = pickle.load(f)
self.B_dic = pickle.load(f)
self.Pi_dic = pickle.load(f)
self.load_para = True
else:
# 状态转移概率(状态->状态的条件概率)
self.A_dic = {}
# 发射概率(状态->词语的条件概率)
self.B_dic = {}
# 状态的初始概率
self.Pi_dic = {}
self.load_para = False
- train:主要用于通过给定的分词语料进行训练。语料的格式为每行一句话(这里以逗号隔开也算一句),每个词以空格分隔,这里采用了人民日报的分词语料。该函数主要通过对语料的统计, 得到HMM 所需的初始概率、转移概率以及发射概率。
# 计算转移概率、发射概率以及初始概率
def train(self, path):
# 重置几个概率矩阵
self.try_load_model(False)
# 统计状态出现次数,求p(o)
Count_dic = {}
# 初始化参数
def init_parameters():
for state in self.state_list:
self.A_dic[state] = {s: 0.0 for s in self.state_list}
self.Pi_dic[state] = 0.0
self.B_dic[state] = {}
Count_dic[state] = 0
def makeLabel(text):
out_text = []
if len(text) == 1:
out_text.append('S')
else:
out_text += ['B'] + ['M'] * (len(text) - 2) + ['E']
return out_text
init_parameters()
line_num = -1
# 观察者集合,主要是字以及标点等
words = set()
with open(path, encoding='utf8') as f:
for line in f:
line_num += 1
line = line.strip()
if not line:
continue
word_list = [i for i in line if i != ' ']
words |= set(word_list) # 更新字的集合
linelist = line.split()
line_state = []
for w in linelist:
line_state.extend(makeLabel(w))
assert len(word_list) == len(line_state)
for k, v in enumerate(line_state):
Count_dic[v] += 1
if k == 0:
self.Pi_dic[v] += 1 # 每个句子的第一个字的状态,用于计算初始状态概率
else:
self.A_dic[line_state[k - 1]][v] += 1 # 计算转移概率
self.B_dic[line_state[k]][word_list[k]] =\
self.B_dic[line_state[k]].get(word_list[k], 0) + 1.0 # 计算发射概率
self.Pi_dic = {k: v * 1.0 / line_num for k, v in self.Pi_dic.items()}
self.A_dic = {k: {k1: v1 / Count_dic[k] for k1, v1 in v.items()}
for k, v in self.A_dic.items()}
# 加1平滑
self.B_dic = {k: {k1: (v1 + 1) / Count_dic[k] for k1, v1 in v.items()}
for k, v in self.B_dic.items()}
# 序列化
import pickle
with open(self.model_file, 'wb') as f:
pickle.dump(self.A_dic, f)
pickle.dump(self.B_dic, f)
pickle.dump(self.Pi_dic, f)
return self
- veterbi方法:为Veterbi 算法的实现,是基于动态规划的一种实现,主要是求最大概率的路径。其输入参数为初始概率、转移概率以及发射概率,加上需要切分的句子。
def veterbi(self, text, states, start_p, trans_p, emit_p):
V = [{}]
path = {}
for y in states:
V[0][y] = start_p[y] * emit_p[y].get(text[0], 0)
path[y] = [y]
for t in range(1, len(text)):
V.append({})
newpath = {}
# 检验训练的发射概率矩阵中是否有该字
neverSeen = text[t] not in emit_p['S'].keys() and \
text[t] not in emit_p['M'].keys() and \
text[t] not in emit_p['E'].keys() and \
text[t] not in emit_p['B'].keys()
for y in states:
emitP = emit_p[y].get(text[t], 0) if not neverSeen else 1.0 # 设置未知字单独成词
(prob, state) = max(
[(V[t - 1][y0] * trans_p[y0].get(y, 0) *
emitP, y0)for y0 in states if V[t - 1][y0] > 0])
V[t][y] = prob
newpath[y] = path[state] + [y]
path = newpath
if emit_p['M'].get(text[-1], 0) > emit_p['S'].get(text[-1], 0):
(prob, state) = max([(V[len(text) - 1][y], y) for y in ('E', 'M')])
else:
(prob, state) = max([(V[len(text) - 1][y], y) for y in states])
return (prob, path[state])
- cut方法:用于分词,其通过加载中间文件,调用veterbi 函数来完成。
def cut(self, text):
import os
if not self.load_para:
self.try_load_model(os.path.exists(self.model_file))
prob, pos_list = self.viterbi(text, self.state_list, self.Pi_dic, self.A_dic, self.B_dic)
begin, next = 0, 0
for i, char in enumerate(text):
pos = pos_list[i]
if pos == 'B':
begin = i
elif pos == 'E':
yield text[begin: i + 1]
next = i + 1
elif pos == 'S':
yield char
next = i + 1
if next < len(text):
yield text[next:]
- 主函数
if __name__ == '__main__':
hmm = HMM()
hmm.train('./data/trainCorpus.txt_utf8')
text = '这是一个非常棒的方案!'
res = hmm.cut(text)
print(text)
print(str(list(res)))
# 分词结果:[’这是’, ’ 一个’, ’ 非常’, ’ 棒·, ’ 的’ , ’ 方案’ , ' !' l
2.5 其他统计分词算法
条件随机场CRF:基于马尔可夫思想的统计模型。在隐含马尔可夫中,有个很经典的假设,那就是每个状态只与它前面的状态有关。这样的假设显然是有偏差的,于是学者们提出了条件随机场算法,使得每个状态不止与他前面的状态有关,还与他后面的状态有关。
神经网络分词算法:深度学习方法在NLP 上的应用。通常采用CNN 、LSTM 等深度学习网络自动发现一些模式和特征,然后结合C RF , softmax 等分类算法进行分词预测。
2.6 总结
对比机械分词法,这些统计分词方法不需耗费人力维护词典,能较好地处理歧义和未登录词,是目前分词中非常主流的方法。但其分同的效果很依赖训练语料的质量,且计算量相较于机械分词要大得多。
3. 混合分词
【未完待续】