Python与自然语言处理——中文分词（一）
Python与自然语言处理——中文分词
- 中文分词技术（一）
- 规则分词
- 正向最大匹配法（MM法）
- 逆向最大匹配法（RMM法）
- 双向最大匹配法
- 统计分词
- 语言模型
- HMM模型
- 其他统计分词算法
- 混合分词
- 完整代码与数据集
- 参考文献
中文分词技术（一）
中文分词问题主要来源于：在汉语中，句子是以字为单位的，但是语义理解仍然是需要以词为单位，所以也就存在了中文分词问题。
主要的技术可以分为：规则分词、统计分词以及混合分词（规则+统计）
规则分词
基于规则的分词是一种机械分词，主要依赖于维护词典，在切分时将与剧中的字符串与词典中的词进行匹配。
主要的切分方法包括三种：正向最大匹配法、逆向最大匹配法以及双向最大匹配法。
正向最大匹配法（MM法）
- 基本思想
假设分词词典中最长词由 i i i个汉字组成，则用被处理文档当前前 i i i个字作为匹配字段，若字典中存在这样的词则匹配成功，否则去掉最后一个字再进行查找。 - 代码示例
#定义正向最大匹配法类
class MM(object):
def __init__(self):
self.window_size=3 #词典中最长字符串包含的字数
def cut(self,text):
result=[]
index=0
text_length=len(text)
dic=['研究','研究生','生命','命','的','起源'] #词典
while text_length>index: #只要还有字就进行匹配
for size in range(self.window_size+index,index,-1): #生成可能长度
piece=text[index:size]
if piece in dic:
index=size-1 #匹配成功将index设置为匹配成功的最后一个字的位置
break
index=index+1 #开始下一个字符串的匹配
result.append(piece+'----')
print(result)
if __name__=='__main__':
text='研究生命的起源'
tokenizer=MM()
tokenizer.cut(text)
结果如下所示：
[‘研究生----’, ‘命----’, ‘的----’, ‘起源----’]
逆向最大匹配法（RMM法）
- 基本思路
基本思路与正向相同，只是切分方向正好与MM法相反。从文档末尾开始处理，每次去除第一个字进行匹配，维护的也是逆序词典，每个词都按逆序方式存放。
RMM比MM的误差小。 - 代码示例
#定义逆向最大匹配法类
class RMM(object):
def __init__(self):
self.window_size=3
def cut(self,text):
result=[]
index=len(text) #从文本末尾开始
dic=['研究','研究生','生命','命','的','起源']
while index>0:
for size in range(index-self.window_size,index):
piece=text[size:index] #找到最后几个字组成的字符串
if piece in dic:
index=size+1 #将位置更新为匹配到的最后一个字的位置
break
index=index-1 #开始新的位置
result.append(piece+'----')
result.reverse() #由于从最后进行匹配，所以顺序是反的，需要颠倒过来
print(result)
if __name__=='__main__':
text='研究生命的起源'
tokenizer=RMM()
tokenizer.cut(text)
结果如下所示：
[‘研究----’, ‘生命----’, ‘的----’, ‘起源----’]
双向最大匹配法
- 基本思想
双向最大匹配法将正向和逆向的结果进行比较，按照最大匹配原则，选择词数切分最少的作为结果。 - 双向最大匹配规则
- 如果结果词数不同，返回分词数量较少的一个；
- 如果结果词数相同
- 分词结果相同，任意返回一个
- 分词结果不同，返回单个字较少的一个
- 代码示例
#定义双向最大匹配法的类
class BMM(object):
def __init__(self):
self.window_size=3
self.result_MM=[]
self.result_RMM=[]
self.num_MM=0
self.num_RMM=0
#正向最大
def MM(self,text):
index=0
text_length=len(text)
dic=['研究','研究生','生命','命','的','起源'] #词典
while text_length>index: #只要还有字就进行匹配
for size in range(self.window_size+index,index,-1): #生成可能长度
piece=text[index:size]
if piece in dic:
index=size-1 #匹配成功将index设置为匹配成功的最后一个字的位置
break
index=index+1 #开始下一个字符串的匹配
self.result_MM.append(piece+'----')
if len(piece)==1:
self.num_MM+=1
#逆向最大
def RMM(self,text):
index=len(text) #从文本末尾开始
dic=['研究','研究生','生命','命','的','起源']
while index>0:
for size in range(index-self.window_size,index):
piece=text[size:index] #找到最后几个字组成的字符串
if piece in dic:
index=size+1 #将位置更新为匹配到的最后一个字的位置
break
index=index-1 #开始新的位置
self.result_RMM.append(piece+'----')
if len(piece)==1:
self.num_RMM+=1
self.result_RMM.reverse() #由于从最后进行匹配，所以顺序是反的，需要颠倒过来
def cut(self,text):
if len(self.result_MM)>len(self.result_RMM):
result=self.result_RMM
elif len(self.result_MM)<len(self.result_RMM):
result=self.result_MM
elif len(self.result_MM)==len(self.result_RMM):
if self.result_MM==self.result_RMM:
result=self.result_RMM
else:
if self.num_MM>self.num_RMM:
result=self.result_RMM
else:
result=self.result_MM
print(result)
if __name__=='__main__':
text='研究生命的起源'
tokenizer=BMM()
tokenizer.MM(text)
tokenizer.RMM(text)
tokenizer.cut(text)
结果如下所示：
[‘研究----’, ‘生命----’, ‘的----’, ‘起源----’]
统计分词
主要思想：将每个词视作由字组成，如果相连的字在不同文本中出现次数越多，就越可能是一个词。
基于统计的分词一般有以下两步：
- 建立统计语言模型
- 对句子进行单词划分，对划分结果进行概率计算（隐马尔可夫【HMM】、条件随机场【CRF】等）
语言模型
- 语言模型
为长度为 m m m的字符串确定其概率分布 P ( x 1 , x 2 , ⋯ , x m ) P\left( {{x_1},{x_2}, \cdots ,{x_m}} \right) P(x1,x2,⋯,xm)，其中 x 1 , x 2 , ⋯ , x m {{x_1},{x_2}, \cdots ,{x_m}} x1,x2,⋯,xm为文本中的各个词语，计算公式如下：
P ( x 1 , x 2 , ⋯ , x m ) = P ( x 1 ) P ( x 2 ∣ x 1 ) P ( x 3 ∣ x 1 , x 2 ) ⋯ P ( x m ∣ x 1 , x 2 , ⋯ , x m − 1 ) P\left( {{x_1},{x_2}, \cdots ,{x_m}} \right) = P\left( {{x_1}} \right)P\left( {{x_2}\left| {{x_1}} \right.} \right)P\left( {{x_3}\left| {{x_1},{x_2}} \right.} \right) \cdots P\left( {{x_m}\left| {{x_1},{x_2}, \cdots ,{x_{m - 1}}} \right.} \right) P(x1,x2,⋯,xm)=P(x1)P(x2∣x1)P(x3∣x1,x2)⋯P(xm∣x1,x2,⋯,xm−1) - n n n元模型（ n − g r a m n-gram n−gram）
将上式进行简化，认为其概率仅与其前面 n − 1 n-1 n−1个词相关，所以为：
P ( x i ∣ x 1 , x 2 , ⋯ , x i − 1 ) ≈ P ( x i ∣ x i − ( n − 1 ) , x i − ( n − 2 ) , ⋯ , x i − 1 ) P\left( {{x_i}\left| {{x_1},{x_2}, \cdots ,{x_{i - 1}}} \right.} \right) \approx P\left( {{x_i}\left| {{x_{i - \left( {n - 1} \right)}},{x_{i - \left( {n - 2} \right)}}, \cdots ,{x_{i - 1}}} \right.} \right) P(xi∣x1,x2,⋯,xi−1)≈P(xi∣∣xi−(n−1),xi−(n−2),⋯,xi−1) - 计算 n n n元条件概率
使用频率计数比例计算：
P ( x i ∣ x i − ( n − 1 ) , x i − ( n − 2 ) , ⋯ , x i − 1 ) = c o u n t ( x i − ( n − 1 ) , x i − ( n − 2 ) , ⋯ , x i − 1 , x i ) c o u n t ( x i − ( n − 1 ) , x i − ( n − 2 ) , ⋯ , x i − 1 ) P\left( {{x_i}\left| {{x_{i - \left( {n - 1} \right)}},{x_{i - \left( {n - 2} \right)}}, \cdots ,{x_{i - 1}}} \right.} \right) = \frac{{count\left( {{x_{i - \left( {n - 1} \right)}},{x_{i - \left( {n - 2} \right)}}, \cdots ,{x_{i - 1}},{x_i}} \right)}}{{count\left( {{x_{i - \left( {n - 1} \right)}},{x_{i - \left( {n - 2} \right)}}, \cdots ,{x_{i - 1}}} \right)}} P(xi∣∣xi−(n−1),xi−(n−2),⋯,xi−1)=count(xi−(n−1),xi−(n−2),⋯,xi−1)count(xi−(n−1),xi−(n−2),⋯,xi−1,xi)
HMM模型
HMM将分词作为字在字串中的序列标注任务来实现的。
- 基本思路
每个字在构造一个特定词语时都占据一个确定的构词结构：B（词首）、M（词中）、E（词尾）和S（单独成词）。
一个简单的例子：
中文分词是文本处理不可或缺的一步！
中/B 文/E 分/B 词/E 是/S 文/E 本/M 处/M 理/E 不/B 可/M 或/M 缺/E 的/S 一/B 步/E ！/S
-
抽象表示
用 λ = λ 1 λ 2 ⋯ λ n \lambda = {\lambda _1}{\lambda _2} \cdots {\lambda _n} λ=λ1λ2⋯λn代表输入的句子， n n n为句子长度， λ i \lambda_i λi表示字， o = o 1 o 2 ⋯ o n o = {o_1}{o_2} \cdots {o_n} o=o1o2⋯on表示输出的标签，那么理想输出为：
max = max P ( o 1 o 2 ⋯ o n ∣ λ 1 λ 2 ⋯ λ n ) \max = \max P\left( {{o_1}{o_2} \cdots {o_n}\left| {{\lambda _1}{\lambda _2} \cdots {\lambda _n}} \right.} \right) max=maxP(o1o2⋯on∣λ1λ2⋯λn)
其中 o o o为B、M、E、S这四种标记。 -
通过HMM计算
- 通过贝叶斯公式能够得到：
P ( o ∣ λ ) = P ( o , λ ) P ( λ ) = P ( λ ∣ o ) P ( o ) P ( λ ) P\left( {o\left| \lambda \right.} \right) = \frac{{P\left( {o,\lambda } \right)}}{{P\left( \lambda \right)}} = \frac{{P\left( {\lambda \left| o \right.} \right)P\left( o \right)}}{{P\left( \lambda \right)}} P(o∣λ)=P(λ)P(o,λ)=P(λ)P(λ∣o)P(o)
其中 λ \lambda λ为给定的输出，因此 P ( λ ) P\left( \lambda \right) P(λ)为常数，所以最大化 P ( o ∣ λ ) P\left( {o\left| \lambda \right.} \right) P(o∣λ)等价于最大化 P ( λ ∣ o ) P ( o ) {P\left( {\lambda \left| o \right.} \right)P\left( o \right)} P(λ∣o)P(o)。 - 对 P ( λ ∣ o ) P ( o ) {P\left( {\lambda \left| o \right.} \right)P\left( o \right)} P(λ∣o)P(o)作马尔可夫假设：
P ( λ ∣ o ) = P ( λ 1 ∣ o 1 ) P ( λ 2 ∣ o 2 ) ⋯ P ( λ n ∣ o n ) P\left( {\lambda \left| o \right.} \right) = P\left( {{\lambda _1}\left| {{o_1}} \right.} \right)P\left( {{\lambda _2}\left| {{o_2}} \right.} \right) \cdots P\left( {{\lambda _n}\left| {{o_n}} \right.} \right) P(λ∣o)=P(λ1∣o1)P(λ2∣o2)⋯P(λn∣on)
同时：
P ( o ) = P ( o 1 ) P ( o 2 ∣ o 1 ) P ( o 3 ∣ o 1 , o 2 ) ⋯ P ( o n ∣ o 1 , o 2 , ⋯ , o n − 1 ) P\left( o \right) = P\left( {{o_1}} \right)P\left( {{o_2}\left| {{o_1}} \right.} \right)P\left( {{o_3}\left| {{o_1},{o_2}} \right.} \right) \cdots P\left( {{o_n}\left| {{o_1},{o_2}, \cdots ,{o_{n - 1}}} \right.} \right) P(o)=P(o1)P(o2∣o1)P(o3∣o1,o2)⋯P(on∣o1,o2,⋯,on−1) - HMM做了齐次马尔可夫假设，每个输出仅与上一个输出有关，所以：
P ( o ) = P ( o 1 ) P ( o 2 ∣ o 1 ) P ( o 3 ∣ o 2 ) ⋯ P ( o n ∣ o n − 1 ) P\left( o \right) = P\left( {{o_1}} \right)P\left( {{o_2}\left| {{o_1}} \right.} \right)P\left( {{o_3}\left| {{o_2}} \right.} \right) \cdots P\left( {{o_n}\left| {{o_{n - 1}}} \right.} \right) P(o)=P(o1)P(o2∣o1)P(o3∣o2)⋯P(on∣on−1)
于是：
P ( λ ∣ o ) P ( o ) ∼ P ( λ 1 ∣ o 1 ) P ( o 2 ∣ o 1 ) P ( λ 2 ∣ o 2 ) P ( o 3 ∣ o 2 ) ⋯ P ( o n ∣ o n − 1 ) P ( λ n ∣ o n ) P\left( {\lambda \left| o \right.} \right)P\left( o \right) \sim P\left( {{\lambda _1}\left| {{o_1}} \right.} \right)P\left( {{o_2}\left| {{o_1}} \right.} \right)P\left( {{\lambda _2}\left| {{o_2}} \right.} \right)P\left( {{o_3}\left| {{o_2}} \right.} \right) \cdots P\left( {{o_n}\left| {{o_{n - 1}}} \right.} \right)P\left( {{\lambda _n}\left| {{o_n}} \right.} \right) P(λ∣o)P(o)∼P(λ1∣o1)P(o2∣o1)P(λ2∣o2)P(o3∣o2)⋯P(on∣on−1)P(λn∣on)
将 P ( λ k ∣ o k ) P\left( {\lambda_k \left| o_k \right.} \right) P(λk∣ok)称为发射概率， P ( o k ∣ o k − 1 ) P\left( {o_k \left| o_{k-1} \right.} \right) P(ok∣ok−1)称为转移概率。
此时的马尔可夫假设就是一个二元语言模型，当齐次马尔可夫假设改为每个输出与前两个有关时就是三元语言模型。
- 通过贝叶斯公式能够得到：
-
通过Veterbi求解 max P ( λ ∣ o ) P ( o ) \max{P\left( {\lambda \left| o \right.} \right)P\left( o \right)} maxP(λ∣o)P(o)
- 核心思想
如果最终的最优路径经过某个 o i o_i oi，那么从初始结点到 o i − 1 o_{i-1} oi−1点的路径必然也是一个最优路径——因为每个结点 o i o_i oi只会影响前后两个结点 P ( o i − 1 ∣ o i ) P\left( {{o_{i-1}}\left| {{o_{i}}} \right.} \right) P(oi−1∣oi)和 P ( o i ∣ o i + 1 ) P\left( {{o_i}\left| {{o_{i + 1}}} \right.} \right) P(oi∣oi+1)。
- 核心思想
-
代码示例
使用的训练集来自：https://github.com/canshang/python-nlk/blob/master/trainCorpus.txt_utf8.txt
class HMM(object):
def __init__(self):
import os
# 主要是用于存取算法中间结果，不用每次都训练模型
self.model_file = 'hmm_model.pkl'
# 状态值集合
self.state_list = ['B', 'M', 'E', 'S']
# 参数加载,用于判断是否需要重新加载model_file
self.load_para = False
# 用于加载已计算的中间结果，当需要重新训练时，需初始化清空结果
def try_load_model(self, trained):
if trained:
import pickle
with open(self.model_file, 'rb') as f:
self.A_dic = pickle.load(f)
self.B_dic = pickle.load(f)
self.Pi_dic = pickle.load(f)
self.load_para = True
else:
# 状态转移概率（状态->状态的条件概率）
self.A_dic = {}
# 发射概率（状态->词语的条件概率）
self.B_dic = {}
# 状态的初始概率
self.Pi_dic = {}
self.load_para = False
# 计算转移概率、发射概率以及初始概率
def train(self, path):
# 重置几个概率矩阵
self.try_load_model(False)
# 统计状态出现次数，求p(o)
Count_dic = {}
# 初始化参数
def init_parameters():
for state in self.state_list:
self.A_dic[state] = {s: 0.0 for s in self.state_list}
self.Pi_dic[state] = 0.0
self.B_dic[state] = {}
Count_dic[state] = 0
def makeLabel(text):
out_text = []
if len(text) == 1:
out_text.append('S')
else:
out_text += ['B'] + ['M'] * (len(text) - 2) + ['E']
return out_text
init_parameters()
line_num = -1
# 观察者集合，主要是字以及标点等
words = set()
with open(path, encoding='utf8') as f:
for line in f:
line_num += 1
line = line.strip()
if not line:
continue
word_list = [i for i in line if i != ' ']
words |= set(word_list) # 更新字的集合
linelist = line.split()
line_state = []
for w in linelist:
line_state.extend(makeLabel(w))
assert len(word_list) == len(line_state)
for k, v in enumerate(line_state):
Count_dic[v] += 1
if k == 0:
self.Pi_dic[v] += 1 # 每个句子的第一个字的状态，用于计算初始状态概率
else:
self.A_dic[line_state[k - 1]][v] += 1 # 计算转移概率
self.B_dic[line_state[k]][word_list[k]] = \
self.B_dic[line_state[k]].get(word_list[k], 0) + 1.0 # 计算发射概率
self.Pi_dic = {k: v * 1.0 / line_num for k, v in self.Pi_dic.items()}
self.A_dic = {k: {k1: v1 / Count_dic[k] for k1, v1 in v.items()}
for k, v in self.A_dic.items()}
#加1平滑
self.B_dic = {k: {k1: (v1 + 1) / Count_dic[k] for k1, v1 in v.items()}
for k, v in self.B_dic.items()}
#序列化
import pickle
with open(self.model_file, 'wb') as f:
pickle.dump(self.A_dic, f)
pickle.dump(self.B_dic, f)
pickle.dump(self.Pi_dic, f)
return self
def viterbi(self, text, states, start_p, trans_p, emit_p):
V = [{}]
path = {}
for y in states:
V[0][y] = start_p[y] * emit_p[y].get(text[0], 0)
path[y] = [y]
for t in range(1, len(text)):
V.append({})
newpath = {}
#检验训练的发射概率矩阵中是否有该字
neverSeen = text[t] not in emit_p['S'].keys() and \
text[t] not in emit_p['M'].keys() and \
text[t] not in emit_p['E'].keys() and \
text[t] not in emit_p['B'].keys()
for y in states:
emitP = emit_p[y].get(text[t], 0) if not neverSeen else 1.0 #设置未知字单独成词
(prob, state) = max(
[(V[t - 1][y0] * trans_p[y0].get(y, 0) *
emitP, y0)
for y0 in states if V[t - 1][y0] > 0])
V[t][y] = prob
newpath[y] = path[state] + [y]
path = newpath
if emit_p['M'].get(text[-1], 0)> emit_p['S'].get(text[-1], 0):
(prob, state) = max([(V[len(text) - 1][y], y) for y in ('E','M')])
else:
(prob, state) = max([(V[len(text) - 1][y], y) for y in states])
return (prob, path[state])
def cut(self, text):
import os
if not self.load_para:
self.try_load_model(os.path.exists(self.model_file))
prob, pos_list = self.viterbi(text, self.state_list, self.Pi_dic, self.A_dic, self.B_dic)
begin, next = 0, 0
for i, char in enumerate(text):
pos = pos_list[i]
if pos == 'B':
begin = i
elif pos == 'E':
yield text[begin: i+1]
next = i+1
elif pos == 'S':
yield char
next = i+1
if next < len(text):
yield text[next:]
测试如下：
#####测试
hmm=HMM()
hmm.train('trainCorpus.txt_utf8.txt')
text='这是一个很棒的方案！'
res=hmm.cut(text)
print(text)
print(str(list(res)))
结果如下所示：
这是一个很棒的方案！
[‘这是’, ‘一个’, ‘很’, ‘棒’, ‘的’, ‘方案’, ‘！’]
其他统计分词算法
- 条件随机场（CRF）
每个状态不止与其前面的状态有关，也与其后面的状态有关。 - 神经网络分词算法
混合分词
最常见的是先基于词典进行分词，再用统计分词进行辅助。
完整代码与数据集
规则分词：https://github.com/canshang/python-nlk/blob/master/规则分词.ipynb
数据集（HMM训练集）：https://github.com/canshang/python-nlk/blob/master/trainCorpus.txt_utf8.txt
统计分词（HMM）：https://github.com/canshang/python-nlk/blob/master/trainCorpus.txt_utf8.txt
参考文献
《Python自然语言处理实战》