中文分词的python实现----HMM、FMM
转自：http://blog.csdn.net/orlandowww/article/details/52706135
隐马尔科夫模型（HMM）
模型介绍
HMM模型是由一个“五元组”组成:
- StatusSet: 状态值集合
- ObservedSet: 观察值集合
- TransProbMatrix: 转移概率矩阵
- EmitProbMatrix: 发射概率矩阵
- InitStatus: 初始状态分布
将HMM应用在分词上，要解决的问题是：参数(ObservedSet, TransProbMatrix, EmitRobMatrix, InitStatus)已知的情况下，求解状态值序列。解决这个问题的最有名的方法是viterbi算法。
参数介绍
- StatusSet，状态值集合为(B, M, E, S): {B:begin, M:middle, E:end, S:single}。分别代表每个状态代表的是该字在词语中的位置，B代表该字是词语中的起始字，M代表是词语中的中间字，E代表是词语中的结束字，S则代表是单字成词。
- ObservedSet，观察值集合就是所有汉字，甚至包括标点符号所组成的集合。
- TransProbMatrix，状态转移概率矩阵的含义就是从状态X转移到状态Y的概率，是一个4×4的矩阵，即{B,E,M,S}×{B,E,M,S}。
- EmitProbMatrix，发射概率矩阵的每个元素都是一个条件概率，代表P(Observed[i]|Status[j])
- InitStatus，初始状态概率分布表示句子的第一个字属于{B,E,M,S}这四种状态的概率。
Viterbi算法
Viterbi算法的核心思想就是动态规划实现最短路径，按照Michael Collins教的，核心思想是：
Define a dynamic programming table π(k,u,v),
π(k,u,v) = maximum probability of a tag sequence ending in tags u,v at position k.
For any k ∈ {1…n}: π(k,u,v) = max ( π(k-1,w,u) × q(v|w,u) × e(xk|v) )
完整的Viterbi算法网上有很多资料可以查看，本文主要关注代码的实现。
实验
代码1：模型训练
生成三个文件：
- prob_start.py 为初始状态概率
- prob_trans.py 为状态转移概率
- prob_emit.py 为发射概率
# -*- coding: utf-8 -*-
# 二元隐马尔科夫模型（Bigram HMMs）
# 'trainCorpus.txt_utf8'为人民日报已经人工分词的预料，29万多条句子
import sys
#state_M = 4
#word_N = 0
A_dic = {}
B_dic = {}
Count_dic = {}
Pi_dic = {}
word_set = set()
state_list = ['B','M','E','S']
line_num = -1
INPUT_DATA = "trainCorpus.txt_utf8"
PROB_START = "trainHMM\prob_start.py" #初始状态概率
PROB_EMIT = "trainHMM\prob_emit.py" #发射概率
PROB_TRANS = "trainHMM\prob_trans.py" #转移概率
def init(): #初始化字典
#global state_M
#global word_N
for state in state_list:
A_dic[state] = {}
for state1 in state_list:
A_dic[state][state1] = 0.0
for state in state_list:
Pi_dic[state] = 0.0
B_dic[state] = {}
Count_dic[state] = 0
def getList(input_str): #输入词语，输出状态
outpout_str = []
if len(input_str) == 1:
outpout_str.append('S')
elif len(input_str) == 2:
outpout_str = ['B','E']
else:
M_num = len(input_str) -2
M_list = ['M'] * M_num
outpout_str.append('B')
outpout_str.extend(M_list) #把M_list中的'M'分别添加进去
outpout_str.append('E')
return outpout_str
def Output(): #输出模型的三个参数：初始概率+转移概率+发射概率
start_fp = file(PROB_START,'w')
emit_fp = file(PROB_EMIT,'w')
trans_fp = file(PROB_TRANS,'w')
print "len(word_set) = %s " % (len(word_set))
for key in Pi_dic: #状态的初始概率
Pi_dic[key] = Pi_dic[key] * 1.0 / line_num
print >>start_fp,Pi_dic
for key in A_dic: #状态转移概率
for key1 in A_dic[key]:
A_dic[key][key1] = A_dic[key][key1] / Count_dic[key]
print >>trans_fp,A_dic
for key in B_dic: #发射概率(状态->词语的条件概率)
for word in B_dic[key]:
B_dic[key][word] = B_dic[key][word] / Count_dic[key]
print >>emit_fp,B_dic
start_fp.close()
emit_fp.close()
trans_fp.close()
def main():
ifp = file(INPUT_DATA)
init()
global word_set #初始是set()
global line_num #初始是-1
for line in ifp:
line_num += 1
if line_num % 10000 == 0:
print line_num
line = line.strip()
if not line:continue
line = line.decode("utf-8","ignore") #设置为ignore，会忽略非法字符
word_list = []
for i in range(len(line)):
if line[i] == " ":continue
word_list.append(line[i])
word_set = word_set | set(word_list) #训练预料库中所有字的集合
lineArr = line.split(" ")
line_state = []
for item in lineArr:
line_state.extend(getList(item)) #一句话对应一行连续的状态
if len(word_list) != len(line_state):
print >> sys.stderr,"[line_num = %d][line = %s]" % (line_num, line.endoce("utf-8",'ignore'))
else:
for i in range(len(line_state)):
if i == 0:
Pi_dic[line_state[0]] += 1 #Pi_dic记录句子第一个字的状态，用于计算初始状态概率
Count_dic[line_state[0]] += 1 #记录每一个状态的出现次数
else:
A_dic[line_state[i-1]][line_state[i]] += 1 #用于计算转移概率
Count_dic[line_state[i]] += 1
if not B_dic[line_state[i]].has_key(word_list[i]):
B_dic[line_state[i]][word_list[i]] = 0.0
else:
B_dic[line_state[i]][word_list[i]] += 1 #用于计算发射概率
Output()
ifp.close()
if __name__ == "__main__":
main()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
代码2：测试分词效果
# -*- coding: utf-8 -*-
def load_model(f_name):
ifp = file(f_name, 'rb')
return eval(ifp.read()) #eval参数是一个字符串, 可以把这个字符串当成表达式来求值,
prob_start = load_model("trainHMM\prob_start.py")
prob_trans = load_model("trainHMM\prob_trans.py")
prob_emit = load_model("trainHMM\prob_emit.py")
def viterbi(obs, states, start_p, trans_p, emit_p): #维特比算法（一种递归算法）
V = [{}]
path = {}
for y in states: #初始值
V[0][y] = start_p[y] * emit_p[y].get(obs[0],0) #在位置0，以y状态为末尾的状态序列的最大概率
path[y] = [y]
for t in range(1,len(obs)):
V.append({})
newpath = {}
for y in states: #从y0 -> y状态的递归
(prob, state) = max([(V[t-1][y0] * trans_p[y0].get(y,0) * emit_p[y].get(obs[t],0) ,y0) for y0 in states if V[t-1][y0]>0])
V[t][y] =prob
newpath[y] = path[state] + [y]
path = newpath #记录状态序列
(prob, state) = max([(V[len(obs) - 1][y], y) for y in states]) #在最后一个位置，以y状态为末尾的状态序列的最大概率
return (prob, path[state]) #返回概率和状态序列
def cut(sentence):
prob, pos_list = viterbi(sentence,('B','M','E','S'), prob_start, prob_trans, prob_emit)
return (prob,pos_list)
if __name__ == "__main__":
test_str = u"新华网驻东京记者报道"
prob,pos_list = cut(test_str)
print test_str
print pos_list- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
结果
新华网驻东京记者报道
['B', 'M', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E']- 1
- 2
- 1
- 2
人工分词的预料（trainCorpus.txt_utf8）可以从此处下载。
转自：http://blog.csdn.net/orlandowww/article/details/52693225
正向最大匹配算法（FMM）
正向最大匹配算法（FMM）是一种基于词典的分词方法，思想很简单就是从左向右扫描寻找词的最大匹配，比如词典中同时含有“钓鱼”和“钓鱼岛”，那“钓鱼岛属于中国”就会被分词成“钓鱼岛/属于/中国”
过程
- 限定词的最大长度（例如5）
- 从最大的长度开始在词库中进行匹配，直到匹配成功
- 更新起点的位置继续上一步骤直到全部完成
实验
代码
# -*- coding: utf-8 -*-
# 中文正向最大匹配（FMM）分词
import sys
reload(sys) #动态重新加载sys模块
sys.setdefaultencoding('utf8')
word_dict = ['新华网', '东京', '记者', '吴谷丰', '日本共同社', '28', '报道']
test_str = ' 新华网东京电记者吴谷丰据日本共同社28日报道'
# 获取分词
def getSeg(text):
if not text:
return ''
if len(text) == 1:
return text
if text in word_dict:
return text
else:
small = len(text) - 1
text = text[0:small]
return getSeg(text)
def main():
global test_str
test_str = test_str.decode('utf8').strip()
max_len = 5 # 正向最大匹配分词测试,最大长度5
result_str = '' # 保存要输出的分词结果
result_len = 0
print 'input :', test_str
while test_str:
tmp_str = test_str[0:max_len]
seg_str = getSeg(tmp_str)
seg_len = len(seg_str)
result_len = result_len + seg_len
if seg_str.strip():
result_str = result_str + seg_str + ' / '
test_str = test_str[seg_len:]
print 'output :', result_str
if __name__ == '__main__':
main()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
结果
input : 新华网东京电记者吴谷丰据日本共同社28日报道
output : 新华网 / 东京 / 电 / 记者 / 吴谷丰 / 据 / 日本共同社 / 28 / 日 / 报道 /- 1
- 2
- 1
- 2
分词词典可以自定义或者从此网页下载，然后将word_dict代码更换成下面这行
word_dict = [line.strip() for line in open('dict.txt')]正向最大匹配算法（FMM）
正向最大匹配算法（FMM）是一种基于词典的分词方法，思想很简单就是从左向右扫描寻找词的最大匹配，比如词典中同时含有“钓鱼”和“钓鱼岛”，那“钓鱼岛属于中国”就会被分词成“钓鱼岛/属于/中国”
过程
- 限定词的最大长度（例如5）
- 从最大的长度开始在词库中进行匹配，直到匹配成功
- 更新起点的位置继续上一步骤直到全部完成
实验
代码
# -*- coding: utf-8 -*-
# 中文正向最大匹配（FMM）分词
import sys
reload(sys) #动态重新加载sys模块
sys.setdefaultencoding('utf8')
word_dict = ['新华网', '东京', '记者', '吴谷丰', '日本共同社', '28', '报道']
test_str = ' 新华网东京电记者吴谷丰据日本共同社28日报道'
# 获取分词
def getSeg(text):
if not text:
return ''
if len(text) == 1:
return text
if text in word_dict:
return text
else:
small = len(text) - 1
text = text[0:small]
return getSeg(text)
def main():
global test_str
test_str = test_str.decode('utf8').strip()
max_len = 5 # 正向最大匹配分词测试,最大长度5
result_str = '' # 保存要输出的分词结果
result_len = 0
print 'input :', test_str
while test_str:
tmp_str = test_str[0:max_len]
seg_str = getSeg(tmp_str)
seg_len = len(seg_str)
result_len = result_len + seg_len
if seg_str.strip():
result_str = result_str + seg_str + ' / '
test_str = test_str[seg_len:]
print 'output :', result_str
if __name__ == '__main__':
main()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
结果
input : 新华网东京电记者吴谷丰据日本共同社28日报道
output : 新华网 / 东京 / 电 / 记者 / 吴谷丰 / 据 / 日本共同社 / 28 / 日 / 报道 /- 1
- 2
- 1
- 2
分词词典可以自定义或者从此网页下载，然后将word_dict代码更换成下面这行
word_dict = [line.strip() for line in open('dict.txt')]