NLP | NLP基础之中文分词

Posted 2021-08-10 人工智能技术研究

今天我们来讲一讲，自然语言处理中的最基础的技术，中文分词。

什么是中文分词

中文分词(Chinese Word Segmentation)指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序的过程。

主要的分词算法

• 基于词表的分词算法         

      1）、正向最大匹配算法(FMM)：对于输入的一段文本从左至右、以贪心的方式切分出当前位置上长度最大的词。

      分词原理是：单词的颗粒越大，所能表示的含义越确切。

      该算法主要分为以下步骤：

        (1).从左到右取待切分的前m个字符（m为词典里最长的词的字符数），如果序列不足最大词长，则选择全部序列。

       (2).若这m个字符属于词典里的词，则匹配成功，然后将这m个字符切分出来，剩下的词语作为新的待切分的语句，如果这m个字符不属于词典里的词，则从右边开始，减少一个字符，剩余的m-1个字符继续匹配看是否在词典中，依次循环，逐到只剩下一个字。

       (3). 重复以上步骤，直到句子切分完。

#使用正向最大匹配算法实现中文分词 FMMwords_dic = []
def init(): """ 读取词典文件 载入词典 """ with open("dic/dic.txt","r",encoding="utf8") as dic_input: for word in dic_input: words_dic.append(word.strip())
#实现正向匹配算法中的切词方法def cut_words(raw_sentence,words_dic): #统计词典中最长的词 max_length = max(len(word) for word in words_dic) sentence = raw_sentence.strip() #统计序列长度 words_length = len(sentence) #存储切分好的词语 cut_word_list = [] while words_length > 0: max_cut_length = min(max_length,words_length) subSentence = sentence[0:max_cut_length] while max_cut_length > 0: if subSentence in words_dic: cut_word_list.append(subSentence) break elif max_cut_length == 1: cut_word_list.append(subSentence) break else: max_cut_length = max_cut_length - 1 subSentence = subSentence[0:max_cut_length] sentence = sentence[max_cut_length:] words_length = words_length - max_cut_length  word = "/".join(cut_word_list) return cut_word_list  def main(): """ 用于用户交互接口 """ init() while True:
    input_str = '我在学习自然语言处理'  result = cut_words(input_str,words_dic) print("分词结果") print(result)
if __name__ == "__main__": main()

输出结果如下：

我/在/学习/自然语言处理

          2）、逆向最大匹配算法(RMM)：基本原理与正向最大匹配算法类似，只是分词顺序变为从右至左。

      RMM.py

#使用逆向最大匹配算法实现中文分词RMMwords_dic = []
def init(): """ 读取词典文件 载入词典 """ with open("dic/dic.txt","r",encoding="utf8") as dic_input: for word in dic_input: words_dic.append(word.strip())
#实现逆向匹配算法中的切词方法def cut_words(raw_sentence,words_dic): #统计词典中词的最长长度 max_length = max(len(word) for word in words_dic) sentence = raw_sentence.strip() #统计序列长度 words_length = len(sentence) #存储切分好的词语 cut_word_list = [] #判断是否需要继续切词 while words_length > 0: max_cut_length = min(max_length,words_length) subSentence = sentence[-max_cut_length:] while max_cut_length > 0: if subSentence in words_dic: cut_word_list.append(subSentence) break elif max_cut_length == 1: cut_word_list.append(subSentence) break else: max_cut_length = max_cut_length - 1 subSentence = subSentence[-max_cut_length:] sentence = sentence[0:-max_cut_length:] words_length = words_length - max_cut_length cut_word_list.reverse() word = "/".join(cut_word_list) return cut_word_list def main(): """ 用于用户交互接口 """ init() while True:     input_str = '我在学习自然语言处理'  result = cut_words(input_str,words_dic) print("分词结果") print(result)
if __name__ == "__main__": main()

输出结果如下：

          3）、 双向最大匹配算法(Bi-MM)：即正向与反向相结合，实现双向最大匹配。对分词结果进一步处理，比较两个结果。筛选出两者中更确切的分词结果。

import RMMimport FMM   #使用双向最大匹配算法实现中文分词words_dic = []
def init(): """ 读取词典文件 载入词典 """ with open("dic/dic.txt","r",encoding="utf8") as dic_input: for word in dic_input: words_dic.append(word.strip())
#实现双向匹配算法中的切词方法def cut_words(raw_sentence,words_dic): bmm_word_list = BMM.cut_words(raw_sentence,words_dic) fmm_word_list = FMM.cut_words(raw_sentence,words_dic) bmm_word_list_size = len(bmm_word_list) fmm_word_list_size = len(fmm_word_list) if bmm_word_list_size != fmm_word_list_size: if bmm_word_list_size < fmm_word_list_size: return bmm_word_list else: return fmm_word_list else: FSingle = 0 BSingle = 0 isSame = True for i in range(len(fmm_word_list)): if fmm_word_list[i] not in bmm_word_list: isSame = False if len(fmm_word_list[i]) == 1: FSingle = FSingle + 1 if len(bmm_word_list[i]) == 1: BSingle = BSingle + 1 if isSame: return fmm_word_list elif BSingle > FSingle return fmm_word_list else: return bmm_word_list
 def main(): """ 用于用户交互接口 """ init() while True: print("请输入要分词的序列") input_str = input() if not input_str: break result = cut_words(input_str,words_dic) print("分词结果") print(result)
if __name__ == "__main__": main()

• 基于统计模型的分词算法

       1)、基于N-gram语言模型的分词算法 

       如何判断一个句子是否合理，很容易想到一种很好的统计模型来解决上述问题，只需要看它在所有句子中出现的概率就行了。

      第一个句子出现的概率大概是80%，第二个句子出现的概率大概是50%，第三个句子出现的概率大概是20%，第一个句子出现的可能性最大，因此这个句子最合理。

        

      假设下一个词的出现依赖它前面的一个词或依赖它前面的两个词。

     假设想知道S在文本中出现的可能性，也就是数学上所说的S的概率，既然   ,那么可以把S展开表示

                           

   

 计算   很容易，   也还能算出来，   已经非常难计算了。

      假设一个词   出现的概率只与它前面的   有关,这种假设称为1阶马尔科夫假设。

      现在，S的概率就变得简单了

           约等于   

      那么，接下来的问题就变成了估计条件概率   ,根据它的定义    

        

      当样本量很大的时候，基于大数定律，一个短语或者词语出现的概率可以用其频率来表示是，即

           

      其中,count(i)表示单词i出现的次数,count表示语料库的大小。

那么

    

N-gram语言模型的分词算法是利用信息找出一条概率最大的路径

      假设随机变量S为一个汉字序列，W是S上所有可能的切分路径。对于分词，实际上就是求解使条件概率   最大的切分路径W^*,即：

W^* = argmax P(w|s)

根据贝叶斯公式：

W^* = argmax P(w)P(S|W)/P(S)

由于P(S)为归一化因子，P(S|W)恒为1，因此只需求解P(W)

• 基于序列标注的分词算法      

      1）、基于HMM的分词方法

      首先我们转换下思维，把分词问题做个转换:分词问题就是句子中的每个字打标注，标注要么是一个词的开始(B),要么是一个词的中间位置(M),要么是一个词的结束位置(E),还有单个字的词,用S表示。

下面对中文分词进行形式化描述：

设观察集合O={   }状态集合为S={   }

问题：已知输入的观察序列为：X =    ;   属于O

求对应的状态序列：Y =    ;   属于S

      基于HMM的分词方法：属于由字构词的分词方法，由字构词的分词方法思想，就是将分词问题转化为字的分类问题(序列标注问题)。

      从某些层面讲，由字构词的方法并不依赖于事先编制好的词表，但仍然需要分好词的训练语料。

规定每个字有4个词位：词首B、词中M、词尾E、单字成词S

由于HMM是一个生成式模型,X为观测序列，Y为隐序列       

  

     

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)，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)、S(单独成词)。

把带求解的标志用O1,O2,...,O7表示，把输入用X表示。然后观察线带来的关系。

O1取B,取M，取E，取S的概率是多大.

Viterbi算法讲解

1).当前观测值只由当前隐藏状态确定，而与其他隐藏状态或观测值无关(隐藏状态假设)

2).当前隐藏状态由其前一个隐藏状态决定(一阶马尔科夫假设)

3).隐藏状态之间的转换函数概率不随时间变化(转换函数稳定性假设)

三大概率矩阵

   start_p[]初始概率矩阵

设语料库中有1000条句子，以B开始即以词语开始的句子有900条，以S开始的句子有100条

   trans_p[] 转移概率矩阵

设语料库中有M标记字一共有100个，以B开始转移到M有30个，转移到E有70个

   emit_p[] 观测概率矩阵

语料库中有B标记字一共有100个，以B为条件得到'我'字有30个...   

HMM公式推导

2）、基于CRF的分词方法

        

    CRF分词原理

    CRF把分词当做字的词位分类问题，通常定义字的词位信息如下：

        词首，常用B表示

        词中，常用M表示

        词尾，常用E表示

        单字词，常用S表示

    CRF分词的过程就是对词位标注后，将B和E之间的字，以及S单字构成分词

    CRF分词实例：

        原始例句：我爱北京天安门

        CRF标注后：我/S 爱/S 北/B 京/E 天/B 安/M 门/E

        分词结果：我/爱/北京/天安门

    CRF是一种判别式模型，CRF通过定义条件概率P(Y|X)来描述模型。基于CRF的分词方法，与传统的分类模型求解很相似，即给定feature(字级别的各种信息)输出label(词位)

       简单来说，分词所使用的是Linear-CRF,它由一组特征函数组成，包括权重和特征函数f，特征函数f的输入是整个句子s、当前posi、前一个词位Ii-1,当前词位Ii

      3）、基于深度学习的端到端的分词方法

      最近，基于深度神经网络的序列标注算法在词性标注、命名实体识别问题上取得了优秀的进展。词性标注、命名实体识别都属于序列标注问题，这些端到端的方法可以迁移到分词问题上，免去CRF的特征模板配置问题。但与所有深度学习的方法一样，它需要较大的训练语料才能体现优势。

    

     BiLSTM-CRF的网络结构如上图所示，输入层是一个embedding层，经过双向LSTM网络编码，输出层是一个CRF层。下图是BiLSTM-CRF各层的物理含义，可以看见经过双向LSTM网络输出的实际上是当前位置对于各词性的得分，CRF层的意义是对词性得分加上前一位置的词性概率转移的约束，其好处是引入一些语法规则的先验信息。

从数学公式的角度：

其中，A是词性的转移矩阵，P是BiLSTM网络的判别得分

主要的分词工具

准确率中文分词评价指标

准确率

召回率

F值

结语

中文分词呈现两个发展趋势：

1、越来越多的Attention方法应用到中文分词上。

2、神经网络深入到NLP各个领域之中

3、数据科学与语言科学融合，发挥彼此优势。