中文分词

Posted 2020-11-15 sandwichnlp

目录

• 前言
• 分词真的是必要的吗
• 如何进行分词
  • 查表法
    • 最大匹配算法
    • N-最短路径法
    • N-gram语言模型
  • 序列标注法

前言

在上一篇文章中，我们了解了词向量的相关内容。对于英文语料来说，直接根据空格或者标点即可对词记性划分。而对于中文语料，分词的方法就十分复杂了。之前在概述里提到过，在中文自然语言处理领域，不同的分词方法将使得同一个句子有不同的含义，如：

“乒乓球拍/卖了” 和 “乒乓球/拍卖/了”
“南京市/长江/大桥” 和 “南京/市长/江大桥”

笔者认为，分词算法主要有以下几个问题：

• 歧义词
• 分词的粒度
• 分词标准或词的定义并不明确
• 由于词表大小的限制，使得分词结果中的某些词不会出现在此表中，即OOV（out of bag）问题。这些不在词表中的词在训练过程中将统一被UNK字符代替，其语义信息也将被丢弃

分词真的是必要的吗

首先，我们需要知道，在做自然语言处理的时候，为什么需要分词？什么时候需要分词？更深入一点的问题就是，对于深度学习这样一个端到端的模型，为什么不直接将最基础“字”输入模型，而要分词之后再输入模型呢？

一方面，从直觉上来看，对于词，我们的做法是用一个向量将其在高维空间中进行表征，相当每一个语义有一个固定的表示，我们可以用其来计算他们之间的距离，或是余弦相似度，从而表示词与词之间的相似度。而对于单个汉字来说，通常是没有十分明确的语义的，这使得用向量来表征单个字是十分困难的。

另一方面，大部分的机器学习算法都有一个假设：特征之间是相互独立的。显然，在字与字之间，这个假设是很难成立的，如

“自/然/语/言/处/理”

每个字之间是有比较强的相关性的，而经过分词之后，如

“自然/语言/处理”
“自然语言/处理”

显然，词与词之间的相关性明显就弱得多了，这使得特征更接近我们的假设。

但今年来越来越多的研究表明，分词并不是什么时候效果都比单字的效果要好，某些情况下单字模型反而能够得到更好的模型表现。这主要有以下几个原因：

• 现阶段的深度学习模型开始越来越擅长处理长远距离依赖关系，并能够通过巨大的参数空间对字向量进行整合，使得模型能够理解以字为单元组成的句子的语义特征。
• 由于分词算法具有一定的准确性，并且粒度标准难以确定，这将向模型引入一系列不必要的噪声。
• 由于新词不断地被创建，一方面这使得我们的词表十分大，越大的词表意味着模型的参数空间就会十分大，巨大的参数空间使得模型的训练变得更加困难，其次这将出现很多新词，使得OOV问题更为严重。

那么分词到底是否是有必要的呢？笔者认为这需要根据不同的任务来说。如果在下游任务数据量足够大的情况下，通常直接将单字输入模型，这样模型参数空间较小，不容易过拟合，易于训练。但是对于大部分场景来说，语料通常较少，这种情况下，我们可以在通用语料中训练合适的词向量，再在新任务中固定词向量来训练，提升将是非常大的。

如何进行分词

分词的主要方法有两种：

• 查表法
• 序列标注法

查表法

对于查表法，第一步都是根据给定的词表，将一句话中所有可能的词都匹配出来，将其构成一个有向无环图（DAG），在没有先验知识的前提下，每条边的权重都是1。这样，我们分词的过程其实就成为了一个求DAG最短路径的过程。对于匹配词表，如果匹配每一个字时都遍历整个词表，是十分耗时的。通常的做法是构造一个前缀树（Trie），Trie树由词的公共前缀构成节点，大大降低了存储空间，同时提升了查找效率，对于上述例句构造的Trie树如下图所示，详细的算法原理大家可以自行百度。

最大匹配算法

最长匹配算法是一种贪心算法，包括正向/反向最大匹配算法，指从左到右/从右到左匹配句子中字，直到匹配到最长的词语为止。这种分词方法是最简单的，虽然其速度快，但是精度不高。比如之前给的例子，正向最长匹配算法的分词结果就是“他/说/的/的确/实在/理”。

N-最短路径法

Dijkstra算法是较为常用的最短路径方法，其算法原理在于以起始点为中心向外层层拓展（广度优先搜索思想），直到拓展到终点为止。N-最短路径算法每次均保留N条最短路径，最后求得最优解时回溯得到最短路径。如上面的例子，可以分为如下的步骤：

• 从“0”到“2”的最短路径为2：0 -> 1 -> 2
• “0”到达“3”的最短路径为3：0 -> 1 -> 2 -> 3；同时“0”到达“4”的最短路径为3：0 -> 1 -> 2 -> 4（广度优先）
• “0”到达“5”的最短路径为4：0 -> 1 -> 2 -> 3 -> 5；“0”到达“6”的最短路径为4：0 -> 1 -> 2 -> 4 - > 6
• “0”到达“7”的最短路径为5：0 -> 1 -> 2 -> 4 -> 6 -> 7 或 0 -> 1 -> 2 -> 3 - > 5 -> 7

则可能的分词结果为“他/说/的确/实在/理”和“他/说/的/确实/在理”，可见效果还是优于最大匹配算法的。

N-gram语言模型

由于实际的语料中，不同字之间的转移概率并不是相同的，因此，我们可以通过构建统计语言模型来构建新的有向无环图。对于统计语言模型还不了解的同学可以回去看我上一篇博客。根据我们的条件概率公式。
[P(S)=P(w_1, w_2, ..., w_T)=prod_{t=1}^Tp(w_t|w_1, w_2, ..., w_{t-1})]
我们用简单的bigram模型对上面的问题进行简单的建模，可以得到如下的DAG：

每一条边的条件概率需要从额外的语料库中进行统计得到。这样一来，对新的DAG求最短路径，即可得到分词结果。

序列标注法

关于序列标注法，其实属于解决一类大问题的通用思想，其用于解决一系列对字符进行分类的问题。这一部分将在下一节进行统一介绍。

参考链接
https://zhuanlan.zhihu.com/p/65865071
https://kexue.fm/archives/3863
https://www.zhihu.com/question/42022652/answer/564538459
https://zhuanlan.zhihu.com/p/66155616
https://zhuanlan.zhihu.com/p/50444885