自然语言处理中“中文分词”技术中“自动切分”的几点理解

Posted 2021-04-12 易智能EasyAI

概述

在人工智能中，自然语言处理是一门极其深奥的领域，自然语言处理在广义上分为两部分，第一部分自然语言理解，是指让电脑“听懂”人类的语言；第二部分为自然语言生成，是指把计算机数据转化成人类可以听懂的语言；而自然语言理解和产生的前提是对语言能够做出全面的解析，而在中文中，汉语词汇是语言独立运用的最小语言单位，因此对汉语中词汇的切分显得尤为的重要，随着自然语言的应用逐渐发展，一套完整而标准的汉语分词规范就显得特别重要，随着近几十年的发展，已经逐渐形成两套常用且较为规范的语言处理规范，本文主要针对其中最常用的一套《北大规范》为依据，来讲解中文词汇自动切分的几个重点流程。

在《北大规范》中一共含有40个词类，其中包括名词、动词、代词、形容词、数词、量词、副词、介词、连词、助词、语气词、叹词、象声词、时间词、处所词、方位词、区别词、状态词、副动词、名动词、副形词、名形词、前缀、后缀、成语、简称、习用语、标点。所有的句子都是通过不同的词类组成，下面就为大家讲解一下中文分词的几个流程

歧义

现代汉语的复音词结构，使少量的的字符通过排列组合来表示大量的词汇，最容易出现的问题是歧义问题，歧义问题在汉语中普遍存在，因此在中文如何消除歧义问题是中文分词重点解决的问题，简单给大家大家举个例子：“结合成”这个词，在分词过程中就有多种分词情况，如：“结合”“成”或“结”“合成”两种，这只是其中一种情况，通常情况下，在一个句子中多个词汇存在这种问题，这样就无形中给分词造成了很多麻烦，这只是一个小插曲，大家不要认为这样的情况吓到了，下边我就给大家重点介绍一下中分分词中的几个步骤：

分词流程

先来个图理解一下：

1. 句子切分

在中文分词是，有时输入的不单单是一句话，有可能是一整篇文章或一整段话，所以先要进行预处理，句子切分是中分分词的一个预处理阶段，主要是对输入的整篇文章或整段句子进行句子切分，一篇文章是被一些特殊的标点符号分隔的字符串，这些标点符号包括“省略号”“单引号”“单引号”“多引号”“逗号”“冒号”“感叹号”“问号”“换行”等，句子切分就是依靠这些分隔的标点符号，将整段或整篇文章分隔成一个个的字符串，存储起来，为后续中文分词做准备。

2. 分词词典

在词汇切分中，中文词库提供了相应的词汇的词典，其中包括一元语言词汇词典、二元语言词汇词典、人名和地名词典、组织机构词典、专有名词机构词典，这些在词汇词典在切分过程起到重要作用，大家可以在相应的地方下载。

给大家简单介绍一下词典的结构，一元词典结构如下，一元词典的第一列是词，第二列是第一词性，第二列为第一次性的出现的词频（次数），第三列为第二次性，第四列为第二词性的词频，以此类推，关于词性可参照词性对照表，此处不做注释。

二元词典的结构如图，二元词典的第一列是相邻词中间用@隔开，例如：“像@跳梁小丑”，表示前一个词是像，后边的一个词是跳梁小丑，第二列是该相邻词在预料库中出现的次数，

人名词典的机构如图：词典的第一列是词汇，第二列为第一个元模式的标签，第三列为第二个元模式的标签，第四列为第二个元模式的标签，以此类推，具体的元模式标签表可参照元模式表，例如：B代表姓氏，C代表名1，D代表名2，E是单名，F为名前缀等，张三的组成为BC,周润发的名字的组合是BCD,老李的组合为FB。具体

3. 粗分

（1）字符切分

将上文句子切分得到的句子字符串数组再次切分，将每个句子字符串转化为成单个字符，包括单个汉语字符，单个英文字符、单个数字字符，例如，我是中华人民共和国13亿人民中的一员，变成一个数组，如：我/是/中/华/人/民/共/和/国/1/3/亿/人/民/中/的/一/员/，存储到一个新的数组中。

（2）构建初级一元词网

构建一元词网，是将得到的字符数组进行一元词典查询，将获得的字符结果进行一元词典最大匹配，查找词汇，将查到的所有词汇和带有词性、词频等信息存储到一个数组中，构建一个初级的一元词网。

查询词典的过程就是最大匹配的过程，具体的匹配方式如：中华人民共和国，从“中”字开始查词典，找到与“中”字成词的词，全部取出，如：“中”“中华”单个字也算一个词，然后在从“华”字开始查询词典找到与华字成词的词如：“华人”；依次往下查，然后把整个句子中所有的字符全部查询一遍，将所有的成词全部返回，同时需要记录每个词的词性、词频、在词典的位置（行和列的位置），形成初级一元词网。

（3）原子切分

原子切分的目的是，将初级一元词网中的非汉字字符，如英文字符或数字字符进行合并，形成一个新的词汇，并为其赋予词性，构成原子词，如：3,.,1,4,1,5,9，合并成3.14159，如i，p，h，o，n，e，合并成iphone，将处理后的结果，重新变成一个一元词网，形成一级词网。

（4）二元词网

用一元分词的结果查询二元词典，最大匹配查找到二元词典（此处匹配的方式和一元匹配相同），生成二元词图，同时需要返回该词的词频。二元词图为像@跳梁小丑

4. 消歧

通过计算整个句子所需要的最小权重获取最有结果，整个句子所需要的权重是所有词汇词频之和的倒数（权重是词频的倒数）举个例子:

“中华人民共和国”根据二元词典的匹配结果是

中@华 15

华@人 14 华@民 13

民@国 12 民@人

人@民 19

民@国，将这些词拼成完整句子的权重最小的一个。输出句子结果。

5. 识别实体名词

在消歧后获得的结果有时候仍然不是我们想要的结果，因为在句子中仍然有部分词汇我们是无法理解的，因为在上述几步中未识别出来的词汇我们已经做了标记，此时需要对消歧后获得的结果与人名词典、地名词典、专有名词词典进行匹配，匹配的方式与查询一元词典的方式相同，识别结果中人名、地名、专有名词，将识别出的名词结果加入到词图中，形成最后结果进行输出。

6. 输出结果

根据以上几部处理，会将整个结果切分出来，同时会返回相应词性信息，最终结果示例：

石国祥/nr, 会见/v, 乔布斯/nrf, 说/v, iPhone/nx, 是/vshi, 最好/d, 用/p, 的/udel, 手机/n 。/w

以上就是整个中文分词的过程，写的比较粗浅，仅供大家参考，如果大家有何见解可以一起讨论。