ik分词和jieba分词哪个好_中文分词原理理解+jieba分词详解(二)

在写这篇专栏时,我一直在用jieba分词,之前花过一段时间去研究了最新分词的技术,并且做了对比,也有个大致的结论,详细可看我的另一篇专栏

Is Word Segmentation Necessary for Deep Learning of Chinese Representations?后,立马刷新了我的价值观,我花了一上午时间去研究这个玩意到底靠不靠谱,当然这个只是在学术角度去论述了它的可用之处,至于能否落地应用,可能还得要一段时间,好了,不说了,我们还是做好我们自己的事吧,来说说jieba分词,下面让我娓娓道来吧(结尾有彩蛋,不想麻烦的小伙伴可以直接看结尾再决定是否好好看这篇专栏,真是为你们操碎了心)。

jieba分词的框架图

- 对于分词结果而言

比如不采用HMM模型得到的结果

In[17]: jieba.lcut('谢先招你好样的',HMM=False)

Out[17]: ['谢', '先', '招', '你', '好样', '的']

比如采用HMM模型得到的结果

In[18]: jieba.lcut('谢先招你好样的')

Out[18]: ['谢先招', '你', '好样', '的']

它的原理就是先采用jieba最大概率分词得到的结果为['谢', '先', '招', '你', '好样', '的'],然后对于单个词(因为只可能是单个字的,因为如果不为单个字的,那说明就在字典中存在),最后连成的buf,将buf进行HMM分词,最后将‘谢先招’分词得到的结果为:谢先招

最后得到的分词结果就如上所示:['谢先招', '你', '好样', '的']

- 对于词性标注结果而言

比如不采用HMM模型得到的结果

Out[18]: posseg.lcut('谢先招是好样的',HMM=False)

Out[18]: [pair('谢', 'v'), pair('先', 'd'), pair('招', 'v'), pair('是', 'v'), pair('好样', 'd'), pair('的', 'uj')]

比如采用HMM模型得到的结果

Out[18]: posseg.lcut('谢先招是好样的')

Out[18]: [pair('谢先招', 'nr'), pair('是', 'v'), pair('好样', 'd'), pair('的', 'uj')]

它的原理也是先得到加载HMM模型得到的分词结果,然后对其分词结果(采用HMM模型)进行词性标注

- 特例

Out[18]: posseg.lcut('谢先招手是好样的',HMM=True)

Out[18]: [pair('谢先', 'nr'), pair('招手', 'v'), pair('是', 'v'), pair('好样', 'd'), pair('的', 'uj')]

下面正式进入介绍jieba分词的相关内容:

分词特点支持三种分词模式: 精确模式,试图将句子最精确地切开,适合文本分析; 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义; 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。

支持自定义词典

支持繁体分词

MIT 授权协议

自定义词典,载入词典

开发者可以指定自己自定义的词典,以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力,但是自行添加新词可以保证更高的正确率

用法: jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

词典格式和 dict.txt 一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。

词频省略时使用自动计算的能保证分出该词的词频。

调整词典

使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

使用 suggest_freq(segment, tune=True) 可调节单个词语的词频,使其能(或不能)被分出来。

注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。

如下示例:

>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

如果/放到/post/中将/出错/。

>>> jieba.suggest_freq(('中', '将'), True)

>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

如果/放到/post/中/将/出错/。

>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

「/台/中/」/正确/应该/不会/被/切开

>>> jieba.suggest_freq('台中', True)

>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))

「/台中/」/正确/应该/不会/被/切开

并行分词

原理:将目标文本按行分隔后,把各行文本分配到多个 Python 进程并行分词,然后归并结果,从而获得分词速度的可观提升

基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows

用法:

jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数

jieba.disable_parallel() # 关闭并行分词模式

实验结果:在 4 核 3.4GHz Linux 机器上,对金庸全集进行精确分词,获得了 1MB/s 的速度,是单进程版的 3.3 倍。

注意:并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

Tokenize:返回词语在原文的起止位置

注意,输入参数只接受 unicode

l 默认模式

result = jieba.tokenize(u'永和服装饰品有限公司')

for tk in result:

print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 永和 start: 0 end:2

word 服装 start: 2 end:4

word 饰品 start: 4 end:6

word 有限公司 start: 6 end:10

l 搜索模式

result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')

for tk in result:

print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 永和 start: 0 end:2

word 服装 start: 2 end:4

word 饰品 start: 4 end:6

word 有限 start: 6 end:8

word 公司 start: 8 end:10

word 有限公司 start: 6 end:10

命令行分词

使用示例:python -m jieba news.txt > cut_result.txt

延迟加载机制

jieba 采用延迟加载,import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载,一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba,也可以手动初始化。

import jieba

jieba.initialize() # 手动初始化(可选)

在 0.28 之前的版本是不能指定主词典的路径的,有了延迟加载机制后,你可以改变主词典的路径:

jieba.set_dictionary('data/dict.txt.big')

其他词典

占用内存较小的词典文件 :https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small​github.com

支持繁体分词更好的词典文件 :https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big​github.com

下载你所需要的词典,然后覆盖 jieba/dict.txt 即可;或者用 jieba.set_dictionary('data/dict.txt.big'),接下来就是重点来了!!!

具体分词原理的实现

1:根据离线统计词典进行前缀词典的构建,如以”去北京大学玩”来进行切词

离线词典如下所示:

...

北京大学 2053 nt

大学 20025 n

去 123402 v

玩 4207 v

北京 34488 ns

北 17860 ns

京 6583 ns

大 144099 a

学 17482 n

...

构建前缀词典

首先是基于统计词典构造前缀词典,如统计词典中的词“北京大学”的前缀分别是“北”、“北京”、“北京大”;词“大学”的前缀是“大”。统计词典中所有的词形成的前缀词典如下所示,你也许会注意到“北京大”作为“北京大学”的前缀,但是它的词频却为0,这是为了便于后面有向无环图的构建。

得到的前缀词典如下:

...

北京大学 2053

北京大 0

大学 20025

去 123402

玩 4207

北京 34488

北 17860

京 6583

大 144099

学 17482

...

有向无环图构建

然后基于前缀词典,对输入文本进行切分,对于“去”,没有前缀,那么就只有一种划分方式;对于“北”,则有“北”、“北京”、“北京大学”三种划分方式;对于“京”,也只有一种划分方式;对于“大”,则有“大”、“大学”两种划分方式,依次类推,可以得到每个字开始的前缀词的划分方式。

在jieba分词中,对每个字都是通过在文本中的位置来标记的,因此可以构建一个以位置为key,相应划分的末尾位置构成的列表为value的映射,如下所示

0: [0]

1: [1,2,4]

2: [2]

3: [3,4]

4: [4]

5: [5]

如图所示如下图:

最大概率计算

从上面有向无环图的构建可以看出,该文本切分的路径有多条,如何得到最合理的路径,接下来就是求最大概率路径问题,

# 路径1

0 -> 1 -> 2 -> 3 -> 4 -> 5

# 分词结果1

去 / 北 / 京 / 大 / 学 / 玩

# 路径2

0 -> 1 , 2 -> 3 -> 4 -> 5

# 分词结果2

去 / 北京 / 大 / 学 / 玩

# 路径3

0 -> 1 , 2 -> 3 , 4 -> 5

# 分词结果3

去 / 北京 / 大学 / 玩

# 路径4

0 -> 1 , 2 , 3 , 4 -> 5

# 分词结果4

去 / 北京大学 / 玩

...

因此,我们需要计算最大概率路径,也即按照这种方式切分后的分词结果的概率最大。在计算最大概率路径时,jieba分词采用从后往前这种方式进行计算。为什么采用从后往前这种方式计算呢?因为,我们这个有向无环图的方向是从前向后指向,对于一个节点,我们只知道这个节点会指向后面哪些节点,但是我们很难直接知道有哪些前面的节点会指向这个节点。

在采用动态规划计算最大概率路径时,每到达一个节点,它前面的节点到终点的最大路径概率已经计算出来

动态规划求解,需要满足两个条件:

l 重复子问题

l 最优子结构

我们来分析一下最大概率路径问题,是否满足动态规划的两个条件。

重复子问题

对于节点wi和其可能存在的多个后继节点Wj和Wk,

任意通过Wi到达Wj的路径的权重 = 该路径通过Wi的路径权重 + Wj的权重,也即{Ri -> j} = {Ri + weight(j)}

任意通过Wi到达Wk的路径的权重 = 该路径通过Wi的路径权重 + Wk的权重,也即{Ri -> k} = {Ri + weight(k)}

即对于拥有公共前驱节点Wi的节点Wj和Wk,需要重复计算达到Wi的路径的概率。

最优子结构

对于整个句子的最优路径Rmax和一个末端节点Wx,对于其可能存在的多个前驱Wi,Wj,Wk...,设到达Wi,Wj,Wk的最大路径分别是Rmaxi,Rmaxj,Rmaxk,有,

Rmax = max(Rmaxi,Rmaxj,Rmaxk,...) + weight(Wx)

于是,问题转化为,求解Rmaxi,Rmaxj,Rmaxk,...等,

组成了最优子结构,子结构里面的最优解是全局的最优解的一部分。

jieba分词中计算最大概率路径的主函数是calc(self, sentence, DAG, route),函数根据已经构建好的有向无环图计算最大概率路径。

函数是一个自底向上的动态规划问题,它从sentence的最后一个字(N-1)开始倒序遍历sentence的每个字(idx)的方式,计算子句sentence[idx ~ N-1]的概率对数得分。然后将概率对数得分最高的情况以(概率对数,词语最后一个位置)这样的元组保存在route中。

函数中,logtotal为构建前缀词频时所有的词频之和的对数值,这里的计算都是使用概率对数值,可以有效防止下溢问题。

jieba分词中calc函数实现如下,

def calc(self, sentence, DAG, route):

N = len(sentence)

# 初始化末尾为0

route[N] = (0, 0)

logtotal = log(self.total)

# 从后到前计算

for idx in xrange(N - 1, -1, -1):

route[idx] = max((log(self.FREQ.get(sentence[idx:x + 1]) or 1) -

logtotal + route[x + 1][0], x) for x in DAG[idx])

最终得到最大概率路径为:

{0: [0], 1: [4], 5: [5]}

对于未登录词的识别

那么jieba分词是如何对未登录词进行分词呢?采用的就是HMM模型进行解决的。

利用HMM模型进行分词,主要是将分词问题视为一个序列标注(sequence labeling)问题,其中,句子为观测序列,分词结果为状态序列。首先通过语料训练出HMM相关的模型,然后利用Viterbi算法进行求解,最终得到最优的状态序列,然后再根据状态序列,输出分词结果。

序列标注

序列标注,就是将输入句子和分词结果当作两个序列,句子为观测序列,分词结果为状态序列,当完成状态序列的标注,也就得到了分词结果。

以“去北京大学玩”为例,我们知道“去北京大学玩”的分词结果是“去 / 北京大学 / 玩”。对于分词状态,由于jieba分词中使用的是4-tag,因此我们以4-tag进行计算。4-tag,也就是每个字处在词语中的4种可能状态,B、M、E、S,分别表示Begin(这个字处于词的开始位置)、Middle(这个字处于词的中间位置)、End(这个字处于词的结束位置)、Single(这个字是单字成词)。具体如下图所示,“去”和“玩”都是单字成词,因此状态就是S,“北京大学”是多字组合成的词,因此“北”、“京”、“大”、“学”分别位于“北京大学”中的B、M、M、E。

HMM模型

HMM模型作的两个基本假设:

1.齐次马尔科夫性假设,即假设隐藏的马尔科夫链在任意时刻t的状态只依赖于其前一时刻的状态,与其它时刻的状态及观测无关,也与时刻t无关;

P(states[t] | states[t-1],observed[t-1],...,states[1],observed[1]) = P(states[t] | states[t-1]) t = 1,2,...,T

2.观测独立性假设,即假设任意时刻的观测只依赖于该时刻的马尔科夫链的状态,与其它观测和状态无关,

P(observed[t] | states[T],observed[T],...,states[1],observed[1]) = P(observed[t] | states[t]) t = 1,2,...,T

HMM模型有三个基本问题:

1.概率计算问题,给定模型 λ=(A,B,π)λ=(A,B,π) 和观测序列 O=(o1,o2,...,oT)O=(o1,o2,...,oT) ,怎样计算在模型 λλ 下观测序列O出现的概率 P(O|λ)P(O|λ) ,也就是Forward-backward算法;

2.学习问题,已知观测序列 O=(o1,o2,...,oT)O=(o1,o2,...,oT) ,估计模型 λ=(A,B,π)λ=(A,B,π) ,使得在该模型下观测序列的概率 P(O|λ)P(O|λ) 尽可能的大,即用极大似然估计的方法估计参数;

3.预测问题,也称为解码问题,已知模型 λ=(A,B,π)λ=(A,B,π) 和观测序列 O=(o1,o2,...,oT)O=(o1,o2,...,oT) ,求对给定观测序列条件概率 P(S|O)P(S|O) 最大的状态序列 I=(s1,s2,...,sT)I=(s1,s2,...,sT) ,即给定观测序列。求最有可能的对应的状态序列;

其中,jieba分词主要中主要涉及第三个问题,也即预测问题。

HMM模型中的五元组表示:

1.观测序列;

2.隐藏状态序列;

3.状态初始概率;

4.状态转移概率;

5.状态发射概率;

这里仍然以“去北京大学玩”为例,那么“去北京大学玩”就是观测序列。

而“去北京大学玩”对应的“SBMMES”则是隐藏状态序列,我们将会注意到B后面只能接(M或者E),不可能接(B或者S);而M后面也只能接(M或者E),不可能接(B或者S)。

状态初始概率表示,每个词初始状态的概率;jieba分词训练出的状态初始概率模型如下所示。其中的概率值都是取对数之后的结果(可以让概率相乘转变为概率相加),其中-3.14e+100代表负无穷,对应的概率值就是0。这个概率表说明一个词中的第一个字属于{B、M、E、S}这四种状态的概率,如下可以看出,E和M的概率都是0,这也和实际相符合:开头的第一个字只可能是每个词的首字(B),或者单字成词(S)。这部分对应jieba/finaseg/prob_start.py,具体可以进入源码查看。

P={'B': -0.26268660809250016,

'E': -3.14e+100,

'M': -3.14e+100,

'S': -1.4652633398537678}

状态转移概率是马尔科夫链中很重要的一个知识点,一阶的马尔科夫链最大的特点就是当前时刻T = i的状态states(i),只和T = i时刻之前的n个状态有关,即{states(i-1),states(i-2),...,states(i-n)}。

再看jieba中的状态转移概率,其实就是一个嵌套的词典,数值是概率值求对数后的值,如下所示,

P={'B': {'E': -0.510825623765990, 'M': -0.916290731874155},

'E': {'B': -0.5897149736854513, 'S': -0.8085250474669937},

'M': {'E': -0.33344856811948514, 'M': -1.2603623820268226},

'S': {'B': -0.7211965654669841, 'S': -0.6658631448798212}}

P['B']['E']代表的含义就是从状态B转移到状态E的概率,由P['B']['E'] = -0.5897149736854513,表示当前状态是B,下一个状态是E的概率对数是-0.5897149736854513,对应的概率值是0.6,相应的,当前状态是B,下一个状态是M的概率是0.4,说明当我们处于一个词的开头时,下一个字是结尾的概率要远高于下一个字是中间字的概率,符合我们的直觉,因为二个字的词比多个字的词更常见。这部分对应jieba/finaseg/prob_trans.py,具体可以查看源码。

状态发射概率,根据HMM模型中观测独立性假设,发射概率,即观测值只取决于当前状态值,也就如下所示,

P(observed[i],states[j]) = P(states[j]) * P(observed[i] | states[j])

其中,P(observed[i] | states[j])就是从状态发射概率中获得的。

P={'B': {'一': -3.6544978750449433,

'丁': -8.125041941842026,

'七': -7.817392401429855,

...

'S': {':': -15.828865681131282,

'一': -4.92368982120877,

'丁': -9.024528361347633,

...

P['B']['一']代表的含义就是状态处于'B',而观测的字是‘一’的概率对数值为P['B']['一'] = -3.6544978750449433。这部分对应jieba/finaseg/prob_emit.py,具体可以查看源码。

Viterbi算法

Viterbi算法实际上是用动态规划求解HMM模型预测问题,即用动态规划求概率路径最大(最优路径)。这时候,一条路径对应着一个状态序列。

根据动态规划原理,最优路径具有这样的特性:如果最优路径在时刻t通过结点 i∗tit∗ ,那么这一路径从结点 i∗tit∗ 到终点 i∗TiT∗ 的部分路径,对于从 i∗tit∗ 到 i∗TiT∗ 的所有可能的部分路径来说,必须是最优的。因为假如不是这样,那么从 i∗tit∗ 到 i∗TiT∗ 就有另一条更好的部分路径存在,如果把它和从 i∗tit∗ 到达 i∗TiT∗ 的部分路径连接起来,就会形成一条比原来的路径更优的路径,这是矛盾的。依据这个原理,我们只需要从时刻t=1开始,递推地计算在时刻t状态i的各条部分路径的最大概率,直至得到时刻t=T状态为i的各条路径的最大概率。时刻t=T的最大概率就是最优路径的概率 P∗P∗ ,最优路径的终结点 i∗TiT∗ 也同时得到。之后,为了找出最优路径的各个结点,从终结点 i∗TiT∗ 开始,由后向前逐步求得结点 i∗T−1,...,i∗1iT−1∗,...,i1∗ ,最终得到最优路径 I∗=(i∗1,i∗2,...,i∗T)I∗=(i1∗,i2∗,...,iT∗) 。

输出分词结果

由Viterbi算法得到状态序列,也就可以根据状态序列得到分词结果。其中状态以B开头,离它最近的以E结尾的一个子状态序列或者单独为S的子状态序列,就是一个分词。以”去北京大学玩“的隐藏状态序列”SBMMES“为例,则分词为”S / BMME / S“,对应观测序列,也就是”去 / 北京大学 / 玩”。

源码分析

jieba分词中HMM模型识别未登录词的源码目录在jieba/finalseg/下,

__init__.py 实现了HMM模型识别未登录词;

prob_start.py 存储了已经训练好的HMM模型的状态初始概率表;

prob_trans.py 存储了已经训练好的HMM模型的状态转移概率表;

prob_emit.py 存储了已经训练好的HMM模型的状态发射概率表;

HMM模型参数训练

HMM模型的参数是如何训练出来,此处可以参考jieba中Issue 模型的数据是如何生成的? #7,如下是jieba的开发者的解释:

来源主要有两个,一个是网上能下载到的1998人民日报的切分语料还有一个msr的切分语料。另一个是我自己收集的一些txt小说,用ictclas把他们切分(可能有一定误差),然后用python脚本统计词频。

要统计的主要有三个概率表:1)位置转换概率,即B(开头),M(中间),E(结尾),S(独立成词)四种状态的转移概率;2)位置到单字的发射概率,比如P("和"|M)表示一个词的中间出现”和"这个字的概率;3) 词语以某种状态开头的概率,其实只有两种,要么是B,要么是S。

基于HMM模型的分词流程

jieba分词会首先调用函数cut(sentence),cut函数会先将输入句子进行解码,然后调用__cut函数进行处理。__cut函数就是jieba分词中实现HMM模型分词的主函数。__cut函数会首先调用viterbi算法,求出输入句子的隐藏状态,然后基于隐藏状态进行分词。

def __cut(sentence):

global emit_P

# 通过viterbi算法求出隐藏状态序列

prob, pos_list = viterbi(sentence, 'BMES', start_P, trans_P, emit_P)

begin, nexti = 0, 0

# print pos_list, sentence

# 基于隐藏状态序列进行分词

for i, char in enumerate(sentence):

pos = pos_list[i]

# 字所处的位置是开始位置

if pos == 'B':

begin = i

# 字所处的位置是结束位置

elif pos == 'E':

# 这个子序列就是一个分词

yield sentence[begin:i + 1]

nexti = i + 1

# 单独成字

elif pos == 'S':

yield char

nexti = i + 1

# 剩余的直接作为一个分词,返回

if nexti < len(sentence):

yield sentence[nexti:]

jieba分词实现Viterbi算法是在viterbi(obs, states, start_p, trans_p, emit_p)函数中实现。viterbi函数会先计算各个初始状态的对数概率值,然后递推计算,每时刻某状态的对数概率值取决于上一时刻的对数概率值、上一时刻的状态到这一时刻的状态的转移概率、这一时刻状态转移到当前的字的发射概率三部分组成。

def viterbi(obs, states, start_p, trans_p, emit_p):

V = [{}] # tabular

path = {}

# 时刻t = 0,初始状态

for y in states: # init

V[0][y] = start_p[y] + emit_p[y].get(obs[0], MIN_FLOAT)

path[y] = [y]

# 时刻t = 1,...,len(obs) - 1

for t in xrange(1, len(obs)):

V.append({})

newpath = {}

# 当前时刻所处的各种可能的状态

for y in states:

# 获取发射概率对数

em_p = emit_p[y].get(obs[t], MIN_FLOAT)

# 分别获取上一时刻的状态的概率对数,该状态到本时刻的状态的转移概率对数,本时刻的状态的发射概率对数

# 其中,PrevStatus[y]是当前时刻的状态所对应上一时刻可能的状态

(prob, state) = max(

[(V[t - 1][y0] + trans_p[y0].get(y, MIN_FLOAT) + em_p, y0) for y0 in PrevStatus[y]])

V[t][y] = prob

# 将上一时刻最优的状态 + 这一时刻的状态

newpath[y] = path[state] + [y]

path = newpath

# 最后一个时刻

(prob, state) = max((V[len(obs) - 1][y], y) for y in 'ES')

# 返回最大概率对数和最优路径

return (prob, path[state])

相关优化:

1.将每一时刻最优概率路径记录下来,避免了第4步的最优路径回溯;

2.提前建立一个当前时刻的状态到上一时刻的状态的映射表,记录每个状态在前一时刻的可能状态,降低计算量;如下所示,当前时刻的状态是B,那么前一时刻的状态只可能是(E或者S),而不可能是(B或者M);

PrevStatus = {

'B': 'ES',

'M': 'MB',

'S': 'SE',

'E': 'BM'

}

CRF(条件随机场)

HMM隐马模型有个严重缺点是其存在输出独立性假设,由于HMM是单向的模型,不能将上下文的特征考虑进来,大大限制了特征的可用范围。CRF则没有这个限制,而是对所有特征进行全局归一化,进而全局的最优值。因此,在分词问题上,显然作为判别式模型的CRF相比HMM更具优越性。

HMM模型围绕的是一个关于序列X和Y的联合概率分布 ( , ),属于生成式模型,而条件随机场则围绕条件概率分布模型 ( | )展开,属于判别式模型,具体生成式和判别式模型的区别可以去网上自行学习脑补。这里我就不具体讲解其二者的区别,这里主要是实践二者的结果比较,废话不多说,我们开始。

模型大小对比:

HMM相比CRF模型要小得多,我保存一个HMMjava对象也就2mb,但是CRF大致150mb,CRF囊括了HMM,因此它也强大得多,但是代价就是模型大,解码,训练都要慢一些。

为什么CRF更强大?这从原理上基本可以解释,如果你还记得HMM的3个参数,PI,A,B,其中pi是初始状态分布,A是转移概率,B是发射矩阵,也就是状态下的观测分布,最重要的区别就在于CRF可以考察当前序列位置状态下的前后观测分布,也就是说CRF能更利用数据的上下文信息

分词器语料总精确率总召回率总f值 备注

1HMMSeg23.8283883.9387593.882353 一阶HMM

2HMMSeg23.9479243.948263.947588 二阶HMM

CRFSeg24.286394.2961234.290709 特征函数个数:875035

最终得到的结果是CRF分词的结果要优于HMM模型(这里大家可能会问,既然CRF模型结果优于HMM模型,为什么jieba分词中偏偏用的是HMM模型,我想源作者可能会考虑到模型的性能吧,当然这只是我个人猜测)

训练CRF的过程依然是通过万能的极大似然估计,具体算法形式如梯度下降法、IIS、拟牛顿法等。训练好CRF分词模型后,跟HMM一样, 可以通过Viterbi算法来进行全局的推理,从而得到最优的分词序列。这里同样不展开讲啦。总结一下,与HMM比,使用CRF进行分词有以下优点:CRF可以使用输入文本的全局特征,而HMM只能看到输入文本在当前位置的局部特征

CRF是判别式模型,直接对序列标注建模;HMM则引入了不必要的先验信息

讲到这里,你可能觉得jieba分词就到此结束了?那是你想多了吧,凡事我们应该多问个为什么?

1:jieba分词为什么在求最大概率时采用反向的方式呢?

因为我们这个有向无环图的方向是从前向后指向,对于一个节点,我们只知道这个节点会指向后面哪些节点,但是我们很难直接知道有哪些前面的节点会指向这个节点。

在采用动态规划计算最大概率路径时,每到达一个节点,它前面的节点到终点的最大路径概率已经计算出来。这个具体可以去看Verterbi算法的精妙之处

2:为什么jieba没有使用trie树作为前缀词典存储的数据结构?

对于get_DAG()函数来说,用Trie数据结构,特别是在Python环境,内存使用量过大。经实验,可构造一个前缀集合解决问题。

该集合储存词语及其前缀,如set(['数', '数据', '数据结', '数据结构'])。在句子中按字正向查找词语,在前缀列表中就继续查找,直到不在前缀列表中或超出句子范围。大约比原词库增加40%词条。

该版本通过各项测试,与原版本分词结果相同。

测试:一本5.7M的小说,用默认字典,64位Ubuntu,Python 2.7.6。

Trie:第一次加载2.8秒,缓存加载1.1秒;内存277.4MB,平均速率724kB/s;

前缀字典:第一次加载2.1秒,缓存加载0.4秒;内存99.0MB,平均速率781kB/s;

此方法解决纯Python中Trie空间效率低下的问题。

同时改善了一些代码的细节,遵循PEP8的格式,优化了几个逻辑判断。

如果还没明白的话,大家可以去好好补补课了哈,大家如果有兴趣的话可以关注我,有什么问题我们都可以讨论,一个悔恨晚写知乎的大白算法攻城狮,记得关注哦!

你可能感兴趣的:(ik分词和jieba分词哪个好)