中文分词中的匹配方法——机械分词法

Posted 2021-04-24 Lynight

中文分词 /Chinese Word Segmentation

近几年中文分词技术逐渐运用在很多领域。中文分词是自然语言处理的重要步骤。

分词就是将句子、段落、文章等连续的长文本，按照一定的规范重新组合分解，使其成为以字、词为基本单位的数据结构，从而方便后续的处理分析工作

为了让计算机能够更快理解中文文章，就需要提取出文章词与词分开。

对于我们新闻媒体领域而言，中文分词不仅是机器翻译等高级任务的基础、新闻自动归档任务的基础，也是人工智能新闻采写编辑的重要步骤。

中文分词相对于其他语言的分词来说有更大的难度

因为中文的单词之间没有间隔，需要通过语义来进行单词之间的匹配。这对于计算机来说具有非常大的挑战性。

所以针对中文单词的匹配，诞生出了各种技术

中文的分词方法一共分为了三类：

·机械分词方法

·基于统计的分词方法

·机器学习分词方法

其中机械分词方法是三者中最传统与最常见的方法

机械分词法 

它是基于字典的分词方法，顾名思义就是将单词与字典中的词条进行匹配。如果识别到的一个词在字典中有出现就算识别成功。

按照不同的识别顺序，匹配方法又分为了正向匹配法和逆向匹配法。

按照不同长度优先匹配，又可以分为最大匹配法和最小匹配法。

我们最常见的匹配方法有正向最大匹配法、逆向最大匹配法与双向匹配法。

#以“我们在野生动物园玩“这个短句为例：

【正向最大匹配法】：先确定最长词的字数，接着从左到右，按照最大长度依次递减，直到出现在词典中存在的词，将词语截取下来。比如设定最大长度为5。机器就会从左到右选取五个字：”我们在野生”，显然这不是一个词语。于是依次递减一个字，“我们在野”、“我们在”都不是存在于词典中的词语。直到出现“我们”，将这个词语截取下来。紧接着又从“在”开始往右的5个字依次递减，直到出现“在野”。继续从”生“开始往右的5个依次递减，出现”生动“。但是发现最后的三个字都无法组成词语，所以单独截取出来。这样正向最大法划分后形成的字段是：我们/在野/生动/物/园/玩。

【逆向最大匹配法】：与正向相反，逆向是从右到左依次减少字数进行词语的划分。最后形成的字段是：我们/在/野生动物园/玩。

【双向匹配法】：我们可以看到无论是正向还是逆向，都不能够很精准进行词语划分。所以为了达到更高的精准度，有人提出了双向匹配法。即两种算法都要进行一遍，最后输出大颗粒词多且单字词少的结果。所以对比以上输出的两个字段，逆向最大匹配法的词数量少，大颗粒词更多，单字的单词少。最终应该输出的是逆向最大匹配法的结果。

·在编写中文分词代码时我们会先导入词典：

def read_dict(path): words_dict = [] with open(path, 'r') as r: line = r.readlines() # print(line) for i in line: word = i.split(',') words_dict.append(word[0]) return words_dict  window_size = 5

·正向最大匹配法：

def fmm(source, words_dict): len_source = len(source) # 原句长度 index = 0 words = [] # 分词后句子每个词的列表  while index < len_source: # 如果下标未超过句子长度 match = False for i in range(window_size, 0, -1): sub_str = source[index: index+i] if sub_str in words_dict: match = True words.append(sub_str) index += i break if not match: words.append(source[index]) index += 1 return words

·逆向最大匹配法：

def bmm(source, word_dict): len_source = len(source) # 原句长度 index = len_source words = [] # 分词后句子每个词的列表  while index > 0: match = False for i in range(window_size, 0, -1): sub_str = source[index-i: index] if sub_str in words_dict: match = True words.append(sub_str) index -= i break if not match: words.append(source[index-1]) index -= 1 words.reverse() # 得到的列表倒序 return words

·双向匹配法：

在上面的基础上，引入比较取舍的程序：

def bi_mm(source, word_dict): forward = fmm(source, words_dict) backward = bmm(source, words_dict) # 正反向分词结果 print("FMM: ", forward) print("BMM: ", backward) # 单字词个数 f_single_word = 0 b_single_word = 0 # 总词数 tot_fmm = len(forward) tot_bmm = len(backward) # 非字典词数 oov_fmm = 0 oov_bmm = 0 # 罚分，罚分值越低越好 score_fmm = 0 score_bmm = 0 # 如果正向和反向结果一样，返回任意一个 if forward == backward: return backward # print(backward) else: # 分词结果不同，返回单字数、非字典词、总词数少的那一个 for each in forward: if len(each) == 1: f_single_word += 1 for each in backward: if len(each) == 1: b_single_word += 1 for each in forward: if each not in words_dict: oov_fmm += 1 for each in backward: if each not in backward: oov_bmm += 1 # 可以根据实际情况调整惩罚分值 # 这里都罚分都为1分 # 非字典词越少越好 if oov_fmm > oov_bmm: score_bmm += 1 elif oov_fmm < oov_bmm: score_fmm += 1 # 总词数越少越好 if tot_fmm > tot_bmm: score_bmm += 1 elif tot_fmm < tot_bmm: score_fmm += 1 # 单字词越少越好 if f_single_word > b_single_word: score_bmm += 1 elif f_single_word < b_single_word: score_fmm += 1  # 返回罚分少的那个 if score_fmm < score_bmm: return forward else: return backward

除了以上介绍的常见中文分词方法——机械分词法，近几年逐渐诞生出了更加智能化、准确化的中文分词方法。让机器不再用这种机械的方式去拆分语句。而是通过对语义的理解去进行更精准的划分。应用的领域也越来越广泛，例如：机器翻译（MT）、语音合成、自动分类、自动摘要、自动校对等。

但是作为自然语言处理中的重要环节，中文分词还面临着很多挑战。比如：热词、流行词不断出现给机器学习造成了很大的困难。汉字的不同搭配容易造成歧义，导致多种划分标准。我国专门研究中文分词的机构也很少，大部分都集中在科研院校当中。

所以中文分词面临着许多机遇和挑战，追求效率和准确率是中文分词未来的发展目标。要想让中文分词更好应用服务于其他领域，就需要先对其深刻研究，将机器人性化。