2-gram分词

Posted 2020-08-19 HOLD

和前一篇介绍的最大概率分词比较，2-gram分词也是一种最大概率分词，只不过在计算一个词概率的时候，它不光考虑自己，还会考虑它的前驱。

我们需要两个字典。第一个字典记录词\\(w_i\\)出现的频次，第二个字典记录词对儿<\\(w_j,w_i\\)>共同出现的频次。有这两份字典，我们就可以计算出条件概率\\(p(w_i|w_j)=p(w_i,w_j)/p(w_j)\\)。

为了直观表示计算过程，我们还是构建出一个图出来。跟上一篇不同，这里换个方向，我们考虑结束字，而不是开始字，因为是后面的词依赖前面的词。

 

这里必须说明一个问题。n-gram是基于HMM的，它假定后面的状态不会影响前面的状态，因此当前面部分的分词已经分完之后，它就不在受后面词的影响了。当然，现实情况中不是这样个样子的，比如abcd中的abc不考虑d的最好分词是a/bc，如果考虑了d就可能是a/bc了。为了简单，这里先不做考虑。

那么，假设\\(\\alpha_i\\)是以i结尾的最优分词的累计概率，j是i的邻接点，容易得到\\(\\alpha_i=max_jp(w(j,i)|w(?,j-1))*\\alpha_{j-1}\\).这里w(?,j-1)是以j-1结束的分词结果中的最后一个词。

可以看出这也是个动态规划问题，基本形式和上一篇最大概率分词区别不大。

具体的代码可以去

http://blog.csdn.net/wangliang_f/article/details/17532633