利用条件随机场模型进行中文分词

      中文分词的方法非常多，基于词库是最基本的，但是当前各大互联网公司基本上不会仅仅依赖于词库的分词，一般以机器学习的分词为主，词库分词的方式为辅。在很久以前，我提过利用隐马尔科夫模型进行中文分词，条件随机场其实是隐马尔科夫模型的一次升级版本，网上有很多关于条件随机场模型的分词，但是基本上很难看懂，也许是论文的缘故，那些作者习惯了一上来就是一堆复杂的公式，我也看了一些，获取有些作者自己都没搞懂，就弄了一篇论文。本文从实践的角度，提供一种基于条件随机场模型的中文分词解决方案。

      第一步：准备语料库。

      首先，你必须得准备一个已经分好词的语料库，用于机器学习，如下图所示：

    

      如果你没有，可以在这里下载。

      第二步：初步语料库特征学习

      和隐马尔科夫模型一样，条件随机场也是基于学习字的状态来进行状态分析的，对于一个字来说，它有4个状态，分别是：词头(Begin)、词中(Middle)、词尾(End)、单字成词(Single)，简称B,M,E,S。

      因此需要把第一步的语料库，分析出每一个字的状态，例如：“收益”需要改进为：“收|B 益|E”, 通过将语料库的每一个分好的词，添加其状态信息，如下图所示：

     

      当然，如果你比较懒，也没有关系，我这里提供好已经分析完毕的数据，可以在这里下载。

      第三步：特征学习

      有了第二步的初步学习，第三步就相对容易多了，特征学习是整个过程中非常重要的部分，在进行特征学习之前，必须弄清楚一个问题，要学习哪些特征？如下：

      1. 这一个字一共在语料库中出现的次数是多少？例如“我”字一共出现了256次。

      2. 这一个字，出现为词头（B）、词中（M）、词尾（E）、单字成词（S）的概率是多少？即为在256出现“我”字的时候，“我”作为词头的概率是多少，词中的概率是多少，依次类推。

      3. 这一个字，当为词头（B）的时候，它转移到下一个词的状态概率是多少？每一个字都有属于自己的状态，但是这个字的后面一个字，也有属于自己的状态，那么当前字的状态，到下一个字的状态（或许是B、M、E、S之一）的概率是多少。例“我”字，当“我”的状态为B的时候，后面跟的字中，状态为B的为0个，状态为M的为10个，状态为E的为20个，状态为S的0个。依次统计“我”的状态为M、E、S的时候，下一字的状态。此过程俗称：状态转移概率计算。此项会形成一个4X4的矩阵。

      截至前面三个特征学习，也许你会感觉与隐马尔科夫模型的方式没有太大区别，但是从理论上研究，条件随机场的准确率一定是高于隐马尔科夫模型的。是因为条件随机场会学习上下文关系，也就是多计算了，当一个字出现的时候，它的前一个字是什么，后一个字是什么，这个概率是多少，也就是我们第四个特征学习。

     4. 这一个字出现的时候，后面字出现的是什么，概率为多少？例如当状态为B的“我”，下一个字是“们”的概率为67.9%，例如状态为S的“我”，上一个字是“的”的概率为21%，下一个字是“爱”的概率为17.8%等等，记录每一个字在四种状态下上下文关系，是非常重要的一步。这一步中，我们仅仅记录了上一个字和下一个字的上下文关系，条件允许的情况下，我们可以记录上两个字和下两个字的上下文关系。

     利用代码，就是如下示例：

/**
     * Feature for each word.
     * 
     * @author liufanping
     *
     */
    private static class Feature {

        /**
         * The State transition matrix
         */
        private Double[][] transfer;

        /**
         * The observation sequence transition matrix
         */
        private Double[] status;

        /**
         * The predecessor State
         */
        private TreeMap<Integer, Double> preStatus;

        /**
         * The next status
         */
        private TreeMap<Integer, Double> nextStatus;

        /**
         * Total count.
         */
        private int cnt;

        ... ...

    }

     上面代码中需要注意两个事项：

     1. 每一个字都会有这样一个特征类，可以利用一个哈希表，key存字，value存其特征。

     2. 记录前后上下文的preStatus ，key是上一个字和当前字状态的组合，nextStatus，key是下一个字和当前字状态的组合，例如当前字是“我”，当前字的状态是B，下一个字可能是“们”，在nextStatus中，key就是“们_B”的哈希值，value均是出现这种情况的概率。

     我相信从语料库中学习这四个特征，应该不是一件很难的事情，自己根据描述完善代码即可。

     第四步：开始分词

     既然特征已经训练好了，怎么去给一个句子分词呢？例如用户输入“希腊的经济结构较特殊”，怎么就可以进行分词了呢？其实很简单，下面就是数学计算了。

     1. 将“希腊的经济结构较特殊”变成字符数组。即“希”、“腊”、“的”、“经”、“济”、“结”、“构”、“较”、“特”、“殊”。

     2. 取出每一个字对应特征（第三步产生的内容）。

     现在每一个字的特征以及取出来了，后面怎么办呢？我们先分析下，我们其实就是在给每一个字确定它是B、M、E、S四个状态中的哪一种，因此可以绘制一个矩阵。

    

     到这里，既然是矩阵，而且是求矩阵里面的一个路径，那么很容易想到维特比算法。到这里，我们只需要计算出“希”字在B、M、E、S的状态值，后面就游刃而解。

     我们设定矩阵中的值为S， S[字][当前状态]=MAX(P[上一个字任何状态][当前状态]*S[上一个字][任何一个状态])+W[前(后)一个字_当前状态][当前字]+R[当前状态概率]  (备注：R是特征二，P是特征三，W前是特征四的上文部分，W后是特征四的下文部分)

     例如“腊”字，在为状态B上的值为：S[腊][B]=MAX(P[B][B]*S[希][B],P[M][B]*S[希][M],P[E][B]*S[希][E],P[S][B]*S[希][S])+W前[希_B][腊]+W后[的_B][腊]+R[B]，同理可以计算S[腊][M],S[腊][E],S[腊][S]。

     依次类推，可以计算出后面其它字的情况。由于“希”字出现在首字，不存在其它状态转移到其状态的概率，因此，S[希][B]=W前[_B][希]+W后[腊_B][希]+R[B]，依次计算出“希”字其它值。

     上面过程，希望反复用研究下，研究透后，你会发现很简单，通过计算会得到如下矩阵：

   

    看到这里，你似乎已经看到分词的结果了，在矩阵中所有值的后面，都有一个小括号，里面存放的是路径，也就是这个值是通过上一个的哪一个值过来的（因为有计算max的过程，就会有路径选择），记录下来之后，以便于路径回溯。

    当得到这个矩阵之后，我们只需要将“殊”中的最大值取出，即为1.1867对应状态是End，来自上一字的状态0，也就是“特”字的Begin，再次查看“特”字来自于上一个字“较”的Single。因此，判别状态如下

    “希/B 腊/E 的/S 经/B 济/E 结/B 构/E 较/S 特/B 殊/E”

    翻译成分词结果就是“希腊 的 经济 结构 较 特殊”。

    完成的实现分词过程，如果你对此项有点模糊，建议看下维特比算法。

    写到最后，我也要感谢您能够看到最后，这是比较简单的一种利用条件随机场进行分词的方式，复杂的，可以在这个基础上进行优化升级。

    诚挚的谢意！