详细介绍NLP中文分词原理及分词工具

基于词表的分词方法

正向最大匹配算法FMM

从左到右扫描文本，得到词的最大匹配。

案例分析：
用正向最大匹配法对“秦皇岛今天晴空万里”进行中文分词，见下表。
词典 ：“秦皇岛”“岛”“今天”“天晴”“晴空万里”“万里”……
根据当前词典，单词扫描的最大长度 max=4

正向最大匹配函数：

def FMM(dict, sentence): # 正向最大匹配算法FMM函数，参数dict: 词典 ，参数sentence: 句子 
    fmmresult = [] 
    max_len = max([len(item) for item in dict])# max_len定义为词典中最长词长度 
    start = 0 
    while start != len(sentence): # FMM 为正向，start 从初始位置开始，指向结尾即为结束 
        index = start + max_len # index 的初始值为 start 的索引 + 词典中元素的最大长度或句子末尾 
        if index > len(sentence): 
           index = len(sentence) 
        for i in range(max_len): 
            # 当分词在字典中时或分到最后一个字时，将其加入到结果列表中 
            if (sentence[start:index] in dict) or (len(sentence[start:index]) == 1): 
                # print(sentence[start:index], end='/')     
                fmmresult.append(sentence[start:index])     
                start = index# 分出一个词，start 设置到 index 处 
                break                                                  
            index += -1# 如果匹配失败，则去掉最后一个字符
    return fmmresult

逆向最大匹配算法RMM

从右到左扫描文本，得到词的最大匹配。

在中文中，由于偏正结构较多，所以从后向前进行匹配会提高精确度，因此，逆向最大匹配算法比正向最大匹配算法的误差要小。

逆向最大匹配函数：

def RMM(dict, sentence): # 逆向最大匹配算法RMM函数，参数dict: 词典 ，参数sentence: 句子 
    rmmresult = [] 
    max_len = max([len(item) for item in dict])# max_len定义为词典中最长词长度 
    start = len(sentence) 
    while start != 0: # RMM 为逆向，start 从末尾位置开始，指向开头位置即为结束 
        index = start - max_len # 逆向时 index 的初始值为 start 的索引 - 词典中元素的最大长度或句子开头 
        if index < 0: 
           index = 0
        for i in range(max_len): 
            # 当分词在字典中时或分到最后一个字时，将其加入到结果列表中 
            if (sentence[index:start] in dict) or (len(sentence[index:start]) == 1): 
                # print(sentence[index:start], end='/') 
                rmmresult.insert(0, sentence[index:start])   
                start = index# 分出一个词，start 设置到 index 处 
                break                                    
            index += 1 # 如果匹配失败，则去掉最前面一个字符
    return rmmresult

双向最大匹配算法FMM

把正向最大匹配与逆向最大匹配都实施一遍，比较后选择最优结果。

双向最大匹配函数：

def BM(dict, sentence):# 双向最大匹配（BM），参数dict: 词典 ，参数sentence: 句子 
    res1 = FMM(dict, sentence)     # res1 为 FMM 结果 
    res2 = RMM(dict, sentence)     # res2 为 RMM 结果
    if len(res1) == len(res2):     # 若分词数相同，则分情况讨论
        if res1 == res2:   # 若FMM 与 RMM 的结果相同，则可取任意一个 
            return res1 
        else:  # res1_sn 和 res2_sn 为两个分词结果的单字数量，若二者不同，则返回单字较少的 
            res1_sn = len([i for i in res1 if len(i) == 1])  
            res2_sn = len([i for i in res2 if len(i) == 1]) 
            return res1 if res1_sn < res2_sn else res2 
    else:    # 若分词数不同，则取分出词较少的 
        return res1 if len(res1) < len(res2) else res2

调用函数举例：

dict = [' 今日 ', ' 阳光明媚 ', ' 光明 ', ' 明媚 ', ' 阳光 ', ' 我们 ', ' 在 ', ' 在野 ', ' 生动 ', ' 野生 ', ' 动物园 ', ' 野生动物园 ', ' 物 ', ' 园 ', ' 玩 '] 
sentence = ' 在野生动物园玩 ' 
print("the results of FMM :\n", FMM(dict, sentence), end="\n")     # 调用FMM函数，输出FMM分词结果
print("the results of RMM :\n", RMM(dict, sentence), end="\n")    # 调用RMM函数，输出RMM分词结果
print("the results of BM :\n", BM(dict, sentence))                # 调用BM函数，输出BM分词结果

缺点： 基于词表的分词算法虽然简单快速，但对于未登录词以及切分歧义的情况无法处理。

基于N-gram的分词方法

N-gram 模型称为 N 元模型，它是一种语言模型，该语言模型是一个基于概率的判别模型，其输入是一句话（词的顺序序列），输出是这句话的概率， 即这句话里所有词的联合概率。 N-gram 模型可应用在文化研究、分词应用、语音识别、输入法、词性标注、垃圾短信分类、机器翻译、语音识别、模糊匹配等领域。

N-gram分词思想

此算法假设每个词的出现只与它之前的 N-1 个词相关，通过大量的语料统计便可以得知句子中每个词的出现概率，继而计算出整个句子的出现概率。如果一个句子的出现概率越大，则越符合自然语言的规律。

通常 N 可以取 1、2、3、4， 其中 N 取 1、2、3 时分别称为 unigram（一元分词）、bigram（二元分词）、trigram（三元分词）， 最常用的是 bigram 和 trigram。理论上，N 越大则 N-gram 模型越准确，也越复杂，所需计算量和训练语料数据量也越大。

词出现的概率可以直接从语料中统计 N 个词同时出现的次数得到。对于一个句子W，
假设 W 是由词序列 W1，W2，W3，…… ,Wn 组成的，那么概率可按如下公式计算。
P(W) =P(W1W2W3…Wn) =P(W1)P(W2|W1)P(W3|W1W2)…P(Wn|W1W2…Wn-1)
当N=2时，当前词只依赖它前面的词（bigram）：
P(W) =P(W1W2W3…Wn) =P(W1)P(W2|W1)P(W3|W2)…P(Wn|Wn-1)

N-gram分词步骤：

①建立 N-gram 统计语言模型。
②对句子进行单词划分，找出所有可能的分词情况。
③对分词的划分结果进行概率计算，找出出现可能性最大的分词序列。

案例分析： 基于 N-gram 模型算法对“我喜欢观赏日出”进行中文分词。

特点： 基于 N-gram 模型的分词算法是在原有中文算法基础上进行了改进，设计并且实现了新的中文分词系统，既实现了文本的快速分词，又提高了中文分词的准确性，但其计算开销比较大，并且仍然存在未登录词难以处理的问题。

基于序列标注的分词方法

基于隐马尔可夫模型的分词方法

隐马尔可夫模型（Hidden Markov Model，HMM）是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测（或称为隐状态）的状态随机序列，再由各个状态生成一个观测从而产生观测随机序列的过程。

隐藏的马尔可夫链随机生成的状态的序列， 称为状态序列 ；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列。 序列的每一个位置可以看作是一个时刻。基于序列标注的分词算法除了有基于隐马尔可夫模型，还有基于 CRF、基于 LSTM 等多种分词算法。

隐马尔可夫模型常应用于序列标注的问题。它用于标注时，状态对应着标记，标注问题是给定观测序列预测其对应的标记序列。

隐马尔可夫模型有两个基本假设 ：马尔可夫假设和观测独立性假设。
（1）马尔可夫假设 ：即假设隐藏的马尔可夫链在任意时刻 t 的状态只依赖于其前一时刻的状态，与其他时刻的状态及观测无关，也与时刻 t 无关。

（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可夫链的状态， 与其他观测及状态无关。

基于隐马尔可夫模型进行中文分词的基本原理： HMM 模型把分词问题转化为序列标注问题, 也就是给定一个句子作为输入，以“BEMS”组成的序列串作为输出，然后再进行分词，从而得到输入句子的划分。其中：
• B（Begin）代表词的起始位置，
• M（Middle） 代表词的中间位置，
• E（End）表示词的结束位置，
• S（Single）代表单字成词。
设观测状态集合（输入句子序列）为O={o1, o2, ⋯, on}，隐藏状态集合（“BMES”序列）I={i1, i2, ⋯, in}，中文分词就是对给定的观测序列，求解对应的最有可能的隐藏状态序列，即求解最大条件概率maxP(i1, ⋯, in | o1,⋯, on)，利用贝叶斯公式可得：

案例分析： 其中观测序列也就是可见序列，状态序列也就是隐含序列。

基于条件随机场（CRF）的分词算法

基于条件随机场（Conditional Random Field，CRF）的分词算法是一种判别式的无向图模型，它试图对多个变量在给定观测值后的条件概率进行建模，常用于序列标注问题。 在 CRF 的假设中，每个状态不仅仅与它前面的状态有关，还与它后面的状态有关。与隐马尔可夫模型相比，CRF考虑的影响范围更大，顾及更多数量的特征函数以及相应权重。 因此该算法的精度也更高，当然计算代价也偏高。

基于循环神经网络模型的分词算法

深度学习中的循环神经网络也适用于序列标注问题，可以采用 CNN、LSTM 等深度学习模型，结合 CRF 等分类算法，从而实现中文分词。

分词工具

常见的中文分词工具：
HanLP 分词器、Jieba（结巴）分词、哈工大的语言技术平台 LTP 及其语言云 LTP-Cloud、清华大学的中文词法分析工具包 THULAC、北京大学的中文分词工具包 pkuseg、斯坦福分词器、 基于深度学习的分词系统 KCWS、新加坡科技设计大学的中文分词器 ZPar、IKAnalyzer、 Jcseg、复旦大学的 FudanNLP、中文文本处理库SnowNLP、ansj 分词器、自然语言处理工 具包 NLTK、玻森中文语义开放平台 BosonNLP、简易中文分词系统 SCWS、IKAnalyzer、 庖丁解牛、中科院计算所 NLPIR 分词系统、腾讯文智、百度 NLP、阿里云 NLP、新浪云、 搜狗分词、盘古分词等等。

Jieba 分词

Jieba 分词是一个 Python 中文分词组件。
功能：可以对中文文本进行分词、词性标注、关键词抽取等，并且支持自定义词典。
原理：算法使用了基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能生成词情况所构成的有向无环图，再采用动态规划查找最大概率路径，从而找出基于词频的最大切分组合。对于未登录词，它采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法。
特点：在词典文件添加自定义词典速度快，适用于词典数量大于五千万。但是其自定义词典时，带空格的词并不支持。

安装：
全自动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
半自动安装：先下载 http://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录
通过pycharm安装

模式：

基本应用：

案例分析：
对“燕山大学源于哈尔滨工业大学，始建于 1920 年”这句中文文本，使用 Jieba 分词工具进行分词。

import jieba
# 全模式 
seg_list = jieba.cut(" 燕山大学源于哈尔滨工业大学，始建于 1920 年 ",cut_all=True) 
print(" 全模式 :", "/ ".join(seg_list))
# 精确模式 
seg_list = jieba.cut(" 燕山大学源于哈尔滨工业大学，始建于 1920 年 ",cut_all=False) 
print(" 精确模式 :", "/ ".join(seg_list)) 
# 默认是精确模式 
seg_list = jieba.cut(" 燕山大学源于哈尔滨工业大学，始建于 1920 年 ") 
print(" 默认模式 :",", ".join(seg_list))
# 搜索引擎模式 
seg_list = jieba.cut_for_search(" 燕山大学源于哈尔滨工业大学，始建于 1920 年 ") 
print(" 搜素引擎模式 :",", ".join(seg_list))