自然语言处理N-最短路径法进行中文分词

Posted 2021-09-28 征途黯然.

本文摘要 · 理论来源：【统计自然语言处理】第七章 自动分词
· 参考文章：https://www.cnblogs.com/Finley/p/6619187.html
· 代码目的：手写N-最短路径法进行中文分词
作者：CSDN 征途黯然.

  

N最短路径分词

  N最短路径算法是一种基于词典的分词算法. 每个句子将生成一个有向无环图, 每个字作为图的一个定点, 边代表可能的分词.

  在上图中, 边的起点为词的第一个字, 边的终点为词尾的下一个字. 边1表示"我"字单字成词, 边2表示"只是"可以作为一个单词.

  每个边拥有一个权值, 表示该词出现的概率. 最简单的做法是采用词频作为权值, 也可以采用TF-IDF值作为权值提高对低频词的分词准确度.

  N最短路径分词即在上述有向无环图中寻找N条权值和最大的路径, 路径上的边标志了最可能的分词结果.通常我们只寻找权值和最大的那一条路径.

  根据上图的权值最大路径得到的分词结果为: "我/只是/做/了/一些/微小/的/工作"

实现词典

  词典将根据输入的文本, 统计各单词的词频:

import json
import pickle

# ##############
# main--词典
# 用来读取utf8格式文章库、json格式词典库、停用词；
# 可以转存为json形式的txt词典库；
# 初始化时默认调用load函数，读取dataset/unknown/words.txt
# ##############


class WordDictModel:
    def __init__(self):
        self.word_dict = {}
        self.data = None
        self.stop_words = {}
        self.load()

    # 读取词库数据，词库为空格分隔的文章等。文件后缀应当为.utf8
    def load_data(self, filename):
        self.data = open(filename, "r", encoding="utf-8")

    # 更新新词库数据，把读取的词库转化成内部字典word_dict
    def update(self):
        # build word_dict
        for line in self.data:
            words = line.split(" ")
            for word in words:
                if word in self.stop_words:
                    continue
                if self.word_dict.get(word):
                    self.word_dict[word] += 1
                else:
                    self.word_dict[word] = 1

    # 把内部词典里面的数据，转化成txt本文文档，格式为key-value键值对，相对于压缩
    def save(self, filename="words.txt", code="txt"):
        fw = open(filename, 'w', encoding="utf-8")
        data = {
            "word_dict": self.word_dict
        }

        # encode and write
        if code == "json":
            txt = json.dumps(data)
            fw.write(txt)
        elif code == "pickle":
            pickle.dump(data, fw)
        if code == 'txt':
            for key in self.word_dict:
                tmp = "%s %d\\n" % (key, self.word_dict[key])
                fw.write(tmp)
        fw.close()

    # 加载初始词库，是用save()方法保存的key-value形式的词库
    def load(self, filename="dataset/unknown/words.txt", code="txt"):
        fr = open(filename, 'r', encoding='utf-8')

        # load model
        model = {}
        if code == "json":
            model = json.loads(fr.read())
        elif code == "pickle":
            model = pickle.load(fr)
        elif code == 'txt':
            word_dict = {}
            for line in fr:
                tmp = line.split(" ")
                if len(tmp) < 2:
                    continue
                word_dict[tmp[0]] = int(tmp[1])
            model = {"word_dict": word_dict}
        fr.close()

        # update word dict
        word_dict = model["word_dict"]
        for key in word_dict:
            if self.word_dict.get(key):
                self.word_dict[key] += word_dict[key]
            else:
                self.word_dict[key] = word_dict[key]

  update函数可以在原有词典的基础上, 根据新的输入更新词频.

  原始文本输入:

...
罗辑 离开 墓碑 ， 站 到 他 为 自己 挖掘 的 墓穴 旁 ， 将 手枪 顶到 自己 的 心脏 位置 ， 说 ： “ 现在 ， 我 将 让 自己 的 心脏 停止 跳动 ， 与此同时 我 也 将 成为 两个 世界 有史以来 最大 的 罪犯 。 对于 所 犯下 的 罪行 ， 我 对 两个 文明 表示 深深 的 歉意 ， 但 不会 忏悔 ， 因为 这是 唯一 的 选择 。 我 知道 智子 就 在 身边 ， 但 你们 对 人类 的 呼唤 从不 理睬 ， 无言 是 最大 的 轻蔑 ， 我们 忍受 这种 轻蔑 已经 两个 世纪 了 ， 现在 ， 如果 你们 愿意 ， 可以 继续 保持 沉默 ， 我 只 给 你们 三十 秒钟 时间
...

  产生词频词典:

{
  ...
  "伏击战": 26,
  "生态园林": 3,
  "造谣诽谤": 3,
  "下关市": 11,
  "水彩颜料": 3,
  "虎踞龙盘": 5,
  ...
}

最短路径分词

  分词器需要继承WordDictModel, 并利用其词典. 遍历输入语句中所有子串, 并查询其词频构造有向无环图:

class DAGSegger(WordDictModel):
    # 构建有向无环图
    def build_dag(self, sentence):
        dag = {}
        for start in range(len(sentence)):
            unique = [start + 1]
            tmp = [(start + 1, 1)]
            for stop in range(start+1, len(sentence)+1):
                fragment = sentence[start:stop]
                # use tf_idf?
                num = self.word_dict.get(fragment, 0)
                if num > 0 and (stop not in unique):
                    tmp.append((stop, num))
                    unique.append(stop)
            dag[start] = tmp
        return dag

  产生的dag格式:

{
  0: [(1,1)],
  1: [(2,1), (3,738)],
  2: [(3,1)],
  3: [(4,1)],
  4: [(5,1)],
  5: [(6,1), (7,2309)],
  6: [(7,1)],
  7: [(8,1), (9,304)],
  8: [(9,1)],
  9: [(10,1)],
  10: [(11,1), (12,2605)],
  11: [(12,1)],
}

  字典中的值代表其键的后继顶点, 如1: [(2,1), (3,738)]表示顶点1到顶点2的权值为1, 到顶点3的权值为738

  最短路径最好使用Floyd或Dijsktra算法. 但其耗时太久, 大多数情况下使用贪心算法求得次优解就可以达到所需精度:

# 从N个路径中，挑选出最优路径
    def predict(self, sentence):
        Len = len(sentence)
        route = [0] * Len
        dag = self.build_dag(sentence)  # {i: (stop, num)}

        for i in range(0, Len):
            route[i] = max(dag[i], key=lambda x: x[1])[0]
        return route

  词典法分词本身就是一种不精确的方法, 最短路径的最优解和次优解在分词效果上相差并不大.

  但是, 求得最优解需要将时间复杂度由O(n2)提高到O(n3). 考虑常见句子的长度, 造成的性能损失难以接受.

  最后, 做一下测试:

# 测试
    def test(self):
        cases = [
            "小朋友，你是否有很多烦恼",
            "别人在嘻嘻哈哈，你却在研究中文分词",
            "我是周杰伦，我为自己歌唱",
            "我只是做了一些微小的工作",
            "中秋节我在看统计自然语言处理,我特别开心"
        ]
        for case in cases:
            result = self.cut(case)
            # for word in result:
            #     print(word)
            print('/'.join(result))

  测试结果:

小朋友/，/你/是否/有/很多/烦恼
别人/在/嘻嘻哈哈/，/你/却/在/研究/中文/分词
我/是/周杰伦/，/我/为/自己/歌唱
我/只是/做/了/一些/微小/的/工作
中秋节/我/在/看/统计/自然/语言/处理/,/我/特别/开心

获取本项目的源代码

如果需要本组件的源代码，请扫描关注我的公众号，回复“中文分词”即可。