自然语言处理实战--中文分词2

Posted 2021-04-12 算法艺术

前言：

上篇文章关于分词技术只讲了一部分，今天接着来。。。

贰

分词技术

2

统计分词

主要思想：将分词作为字在字符串中的序列标注任务来实现的；每一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。

词位：B（词首），M（词中），E（词尾），S（单独成词）

如：咬死/老猎人/的/狗

咬/B   死/E   老/B    猎/M    人/E    的/S   狗/S

数学抽象表示：

o为B，M，E，S四种标记

理想的输出为：

问题：P（o|lambda）是关于2n个变量的条件概率，且n不固定，因此无法对P（o|lambda）进行精确计算

所以：对lambda观测独立性假设，每个字的输出标记仅仅与当前的字有关

此时目标函数就大大简化

但是完全不考虑上下文，会出现不合理的情况，如BBB，BEM等

贝叶斯公式：

lambda为给定输入，P（lambda）是常数，可以忽略

最大化：

对于上式：

1.作马尔可夫假设

P(o)有：

2.齐次作马尔可夫假设：每个输出仅与上一个输出有关

隐含马尔可夫模型：假设只与前一个输出有关

称为： 二元 语言模型

条件随机场模型：假设与前后输出都有关

称为： 三元 语言模型

Veterbi算法：动态规划思想

如果最终优化的路径经过某个Oi，那么从初始节点到O_{i-1}的路径必然也是一个最优路径

HMM状态转移示意图：

代码实现HMM：

class HMM(object): """ 主要是初始化一下全局信息，用于初始化一下成员变量，如状态集合（标记S,B,M,E）, 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
   """ 接受一个参数，用于判别是否加载中间文件结果。当知己加载中间结果时，可以不用过语料库训练 ，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信息。 这里的初始概率是指，一句话第一个字被标记成“S”，“B”，“M”，“E”的概率 """ # 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   """ 用于通过给定的分词语料进行训练。 """
 # 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  """ viterbi实现过程 """ def viterbi(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]) """ 对文本分词 """ 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:]

输出结果：

叁

Jieba分词

import jieba
sent = '中文分词是文本处理不可或缺的一步！'
seg_list = jieba.cut(sent, cut_all=True)print('全模式：', '/ ' .join(seg_list)) 
seg_list = jieba.cut(sent, cut_all=False)print('精确模式：', '/ '.join(seg_list)) 
seg_list = jieba.cut(sent) print('默认精确模式：', '/ '.join(seg_list))
seg_list = jieba.cut_for_search(sent) print('搜索引擎模式', '/ '.join(seg_list))
#可以设置自定义词典jieba.set_dictionary('./data/dict.txt.big')

The End

参考资料：

        1:《统计学习方法》--- 李航

        2:《Python自然语言处理实战》-- 涂铭，刘祥，刘树春

        3：代码和数据：来自《Python自然语言处理实战》

        大家可自行下载：https://github.com/nlpinaction/learning-nlp