自然语言处理(NLP)任务中常用的分词工具及底层算法支持

刚刚和一个在三快在线（美团）的算法老同学聊天，聊到了他们现有分词工具效果不好的问题，我们最终讨论的结果就是没有效果好或者效果不好之后，只有适合不适合，归根结底还是要看各个分词工具中模型的基础训练数据成分构成。

本人日常工作中常用的分词工具

1、jieba 分词
2、lac 分词
3、公司根据自己领域内数据训练并封装的分词工具jimi 分词，对外未公开。

今天重点聊聊前两个大众比较熟知的分词工具

1、jieba 分词

• 支持四种分词模式：

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。
paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。

• 底层算法支撑

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成词情况所构成的有向无环图 (DAG)
采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

• 至于其他基础API建议参考Git链接：https://github.com/fxsjy/jieba

jieba 分词亮点：

• 亮点1.关键词提取

基于 TF-IDF 算法的关键词抽取(依托于词频+逆文档频率)
基于 TextRank 算法的关键词抽取(抽取式无监督的文本摘要算法，内部运用了图结构)

• 亮点2.词性分析
  

适用场景包括：大众型的行业文本分词工具，不适合非常严格且对分词准召率要求极高的细分领域。

2、lac 分词

• LAC分词简介

LAC是一个联合的词法分析模型，整体性地完成中文分词、词性标注、专名识别任务。

• 底层算法支持及准召率数据

LAC基于一个堆叠的双向GRU结构，在长文本上准确复刻了百度AI开放平台上的词法分析算法。效果方面，分词、词性、专名识别的整体准确率95.5%；单独评估专名识别任务，F值87.1%（准确90.3，召回85.4%），总体略优于开放平台版本。在效果优化的基础上，LAC的模型简洁高效，内存开销不到100M，而速度则比百度AI开放平台提高了57%。

• LAC分词底层支持算法详解

词法分析任务的输入是一个字符串（我们后面使用『句子』来指代它），而输出是句子中的词边界和词性、实体类别。
序列标注是词法分析的经典建模方式。我们使用基于GRU的网络结构学习特征，将学习到的特征接入CRF解码层完成序列标注。CRF解码层本质上是将传统CRF中的线性模型换成了非线性神经网络，基于句子级别的似然概率，因而能够更好的解决标记偏置问题。
模型要点如下：

1. 输入采用one-hot方式表示，每个字以一个id表示
2. one-hot序列通过字表，转换为实向量表示的字向量序列；
3. 字向量序列作为双向GRU的输入，学习输入序列的特征表示，得到新的特性表示序列，我们堆叠了两层双向GRU以增加学习能力；
4. CRF以GRU学习到的特征为输入，以标记序列为监督信号，实现序列标注。

• 相关文档链接地址：https://www.paddlepaddle.org.cn/modelbasedetail/lac

亮点分析

• 特点1.支持定制化功能；

LAC支持用户配置定制化的专名类型输出。当定制化的专名词出现在输入query中时，如果该词与原有的词法分析结果不存在边界冲突，则会用定制化专名类型替代原有的标签。

• 特点2.较好的解决了解决了序列标注问题上的标记偏置问题

序列标注是词法分析的经典建模方式。我们使用基于GRU的网络结构学习特征，将学习到的特征接入CRF解码层完成序列标注。CRF解码层本质上是将传统CRF中的线性模型换成了非线性神经网络，基于句子级别的似然概率，因而能够更好的解决标记偏置问题。

• 特点3.关键词发现及NER
  

适用场景

• 因其支持定制化的特性，简单改造就可以使用于一些细分领域，所以在一些数据比较稀缺的细分领域内应用较为常见，例如：金融、法律、医疗等。

总结

以上就是个人对以上两种比较常用的分词工具的理解和肤浅认知，希望可以给迷茫中的你带来帮助。没错我就是我，那个曾为人师，如今依然奋斗在一线自然语言处理工程师岗位的宣哥。