词性标注-隐马尔可夫模型
Posted 孤独腹地
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了词性标注-隐马尔可夫模型相关的知识，希望对你有一定的参考价值。
词性标注-隐马尔可夫模型
今天刚学完条件随机场，然后想找个例子实战一下，写写代码。于是关注到了词性标注，因为在学习的过程中，很多博客、视频、书等等都常常提到词性标注作为讲解的例子。然后我突然想到前面学HMM的过程中虽然利用盒子与球模型实现了HMM的算法，但是还没有用一个更广泛，更实际的例子去实现它，于是决定先用HMM实现词性标注。
流程很简单，先利用现有的语料库训练HMM模型，这是学习问题，然后利用viterbi算法做任意输入的句子做词性标注，即解码问题
我们先来看监督式学习的情况
语料来自于https://github.com/junman/POS-tagging，利用并进一步封装了其中读取文件的代码以忽略与模型无关的细节
如下是dataset.py的文件内容，只关注模型的读者直接使用即可
import numpy as np
def read_dataset():
state_list = ['Ag', 'a', 'ad', 'an', 'Bg', 'b', 'c', 'Dg',
'd', 'e', 'f', 'h', 'i', 'j', 'k', 'l',
'Mg', 'm', 'Ng', 'n', 'nr', 'ns', 'nt', 'nx',
'nz', 'o', 'p', 'q', 'Rg', 'r', 's','na',
'Tg', 't','u', 'Vg', 'v', 'vd', 'vn','vvn',
'w', 'Yg', 'y', 'z']
data = []
word_count =
with open('corpus_POS.txt') as filess:
for line in filess: #一次处理全部的行？？列表可能会影响效率？？
vocabs=[]
classifies=[]
line=line.strip()
if not line:
continue
words=line.split(" ")#分解为多个单词
for word in words:
position=word.index('/') #如果是[中国人民/n]
if '[' in word and ']' in word:
vocabs.append(word[1:position])
classifies.append(word[position+1:-1])
if word[1:position] in word_count.keys():
word_count[word[1:position]] +=1
else:
word_count[word[1:position]] = 0
break
if '[' in word:
vocabs.append(word[1:position])
classifies.append(word[position+1:])
if word[1:position] in word_count.keys():
word_count[word[1:position]] +=1
else:
word_count[word[1:position]] = 0
break
if ']' in word:
vocabs.append(word[:position])
classifies.append(word[position+1:-1])
if word[:position] in word_count.keys():
word_count[word[:position]] +=1
else:
word_count[word[:position]] = 0
break
vocabs.append(word[:position])
classifies.append(word[position+1:])
if word[:position] in word_count.keys():
word_count[word[:position]] +=1
else:
word_count[word[:position]] = 0
if len(vocabs)!=len(classifies):
print('词汇数量与类别数量不一致')
break #不一致退出程序
else:
data.append((vocabs,classifies))
# 我们需要将词汇和词性转化成数字编码
observation_list = word_count.keys()
word_index = word : i for i,word in enumerate(observation_list)
state_index = pos : i for i,pos in enumerate(state_list)
# 遍历所有句子
pad_length = 30
X_data = []
y_data = []
for vocabs,classifies in data:
digit_vocabs = []
digit_classifies = []
for i in range(min(len(vocabs),pad_length)):
digit_vocabs.append(word_index[vocabs[i]])
for i in range(min(len(vocabs),pad_length)):
digit_classifies.append(state_index[classifies[i]])
if (len(digit_vocabs)<pad_length):
for i in range(pad_length-len(digit_vocabs)):
digit_vocabs.append(len(observation_list))
digit_classifies.append(len(state_list))
X_data.append(digit_vocabs)
y_data.append(digit_classifies)
X_data = np.array(X_data)
y_data = np.array(y_data)
return X_data,y_data,word_index,state_index
然后就是利用我在白板推导系列Pytorch-隐马尔可夫模型-学习问题以及白板推导系列Pytorch-隐马尔可夫模型-解码问题两篇博客中实现的极大似然估计定义的模型代码和viterbi解码的代码，训练数据传进去，跑一跑，解个码就结束了
是这样吗？
我起初以为是这样的，结果现实狠狠的给了我一巴掌。
我这才知道之前写的代码存在多大的问题。
如果你看过我上面两篇文章，你用里面的代码去训练模型，你会发现你似乎永远看不到代码运行结束？这是为什么？监督式学习的代码之前在盒子和球模型不是表现挺好吗？模型参数什么的预测都挺准。但是有一个问题，我们当时用的盒子与球模型只有四个状态，两种观测，所以我们直接把A，B写成矩阵，一个一个算，模型仍然很快训练完成，因为整个模型只有 4 + 4 ∗ 4 + 4 ∗ 2 = 28 4+4*4+4*2 = 28 4+4∗4+4∗2=28个参数。
但是现在不一样了。
给定的语料中，状态（词性）有44个，观测（单词）有46571个，总共有 44 + 44 ∗ 44 + 44 ∗ 46571 44+44*44+44*46571 44+44∗44+44∗46571总共2051104个参数。另外，我们定义的发射矩阵维度是44x46571，但其中大部分元素都是0，用这么庞大的空间存储这么一点点有效的数据，我亏的慌。
所以看到github上的代码后，我改啊改，改啊改，终于把它改成了库里面的形状
修改前
def train(self,data):
# data:Sx2xT
# [[[i1,i2,...],[o1,o2,...]],[],[]]
self.pi = np.zeros(shape=(self.N,))
self.A = np.zeros(shape=(self.N,self.N))
self.B = np.zeros(shape=(self.N,self.M))
S = len(data)
self.T = len(data[0][0])
# 求 pi
for i in range(self.N):
for j in range(S):
self.pi[i] += data[j][0][0]==i
self.pi[i] = self.pi[i]/S
# 求 A
for i in range(self.N):
for j in range(self.N):
fenzi = 0
fenmu = 0
for k in range(S):
for t in range(self.T-1):
fenzi += data[k][0][t]==i and data[k][0][t+1]==j
fenmu += data[k][0][t]==i
self.A[i][j] = fenzi/fenmu
# 求 B
for j in range(self.N):
for k in range(self.M):
fenzi = 0
fenmu = 0
for i in range(S):
for t in range(self.T):
fenzi += data[i][0][t]==j and data[i][1][t]==k
fenmu += data[i][0][t]==j
self.B[j][k] = fenzi/fenmu
return self.pi,self.A,self.B
修改后的监督学习方法如下
def train(self,O,I):
self.pi = np.zeros(shape=(self.N,))
self.A = [ for i in range(self.N)]
self.B = [ for i in range(self.N)]
S = I.shape[0]
self.T = I.shape[1]
state_count =
for i in range(self.N):
state_count[i] = (I==i).sum()
if state_count[i]==0:
state_count[i] = 0.001
self.pi[i] = (I[:,0]==i).sum()/S
for j in range(S):
for t in range(self.T):
if t<self.T-1:
self.A[I[j,t]][I[j,t+1]] = self.A[t].get(t+1,0)+1
self.B[I[j,t]][O[j,t]] = self.B[I[j,t]].get(O[j,t],0)+1
for i in range(self.N):
for state in self.A[i].keys():
self.A[i][state] = self.A[i].get(state)/state_count[i]
for observation in self.B[i].keys():
self.B[i][observation] = self.B[i].get(observation)/state_count[i]
return self.pi,self.A,self.B
修改后的代码仍然是极大似然估计，但它不再是套用通过数学推导出来的公式，而是直接根据频率估计概率的思想编码，二者表现形式可能没有多大区别，但行为模式不同。
读者对比之后可以发现，状态转移矩阵A和发射矩阵B都从ndarray变成了字典的列表。并且可以看到不再出现
for k in range(self.M)
代码上的细节读者可慢慢体会。
读者可前往https://download.csdn.net/download/qq_41335232/45109996直接下载完整压缩包，或者自行复制本文代码创建文件
最后我把剩下的代码贴上来(dataset.py前面已经贴过了)，然后语料corpus_POS.txt读者可前往https://github.com/junman/POS-tagging下载
# 监督学习算法
import numpy as np
from dataset import read_dataset
class SupervisedModel:
def __init__(self,n_states) -> None:
self.N = n_states+1
def train(self,O,I):
self.pi = np.zeros(shape=(self.N,))
self.A = [ for i in range(self.N)]
self.B = [ for i in range(self.N)]
S = I.shape[0]
self.T = I.shape[1]
state_count =
for i in range(self.N):
state_count[i] = (I==i).sum()
if state_count[i]==0:
state_count[i] = 0.001
self.pi[i] = (I[:,0]==i).sum()/S
for j in range(S):
for t in range(self.T):
if t<self.T-1:
self.A[I[j,t]][I[j,t+1]] = self.A[t].get(t+1,0)+1
self.B[I[j,t]][O[j,t]] = self.B[I[j,t]].get(O[j,t],0)+1
for i in range(self.N):
for state in self.A[i].keys():
self.A[i][state] = self.A[i].get(state)/state_count[i]
for observation in self.B[i].keys():
self.B[i][observation] = self.B[i].get(observation)/state_count[i]
return self.pi,self.A,self.B
def decode(self,O):
T = len(O)
delta = np.zeros(shape=(T,self.N))
fi = np.zeros(shape=(T,self.N),dtype=int)
# 初始化
for i in range(self.N):
delta[0][i] = self.B[i].get(O[0],0)*self.pi[i]
# 前向计算
for t in range(0,T-1):
for i in range(self.N):
max_val = 0
max_index = 0
for j in range(self.N):
p = self.A[j].get(i,0)*delta[t以上是关于词性标注-隐马尔可夫模型的主要内容，如果未能解决你的问题，请参考以下文章
隐马尔可夫(HMM)/感知机/条件随机场(CRF)----词性标注
医学中都有哪些问题可以用马尔科夫、隐马尔科夫、贝叶斯模型来建模?
自然语言处理---用隐马尔科夫模型（HMM）实现词性标注---1998年1月份人民日报语料---learn---test---evaluation---Demo---java实现