【转】文本挖掘分词基本原理

最新推荐文章于 2020-10-21 10:20:54 发布

Doris_H_n_q

最新推荐文章于 2020-10-21 10:20:54 发布

阅读量425

点赞数

分类专栏：自然语言处理

自然语言处理专栏收录该内容

16 篇文章 3 订阅

订阅专栏

在做文本挖掘的时候，首先要做的预处理就是分词。英文单词天然有空格隔开容易按照空格分词，但是也有时候需要把多个单词做为一个分词，比如一些名词如“New York”，需要做为一个词看待。而中文由于没有空格，分词就是一个需要专门去解决的问题了。无论是英文还是中文，分词的原理都是类似的，本文就对文本挖掘时的分词原理做一个总结。

1. 分词的基本原理

　　　　现代分词都是基于统计的分词，而统计的样本内容来自于一些标准的语料库。假如有一个句子：“小明来到荔湾区”，我们期望语料库统计后分词的结果是："小明/来到/荔湾/区"，而不是“小明/来到/荔/湾区”。那么如何做到这一点呢？

　　　　从统计的角度，我们期望"小明/来到/荔湾/区"这个分词后句子出现的概率要比“小明/来到/荔/湾区”大。如果用数学的语言来说说，如果有一个句子S

,它有m种分词选项如下：

A11A12...A1n1
A21A22...A2n2
............
Am1Am2...Amnm

　　　　其中下标ni

代表第i种分词的词个数。如果我们从中选择了最优的第r种分词方法，那么这种分词方法对应的统计分布概率应该最大，即：

　　　　但是我们的概率分布P(Ai1,Ai2,...,Aini)

并不好求出来，因为它涉及到ni个分词的联合分布。在NLP中，为了简化计算，我们通常使用马尔科夫假设，即每一个分词出现的概率仅仅和前一个分词有关，即：

P(Aij|Ai1,Ai2,...,Ai(j−1))=P(Aij|Ai(j−1))

　　　　在前面我们讲MCMC采样时，也用到了相同的假设来简化模型复杂度。使用了马尔科夫假设，则我们的联合分布就好求了，即：

P(Ai1,Ai2,...,Aini)=P(Ai1)P(Ai2|Ai1)P(Ai3|Ai2)...P(Aini|Ai(ni−1))

而通过我们的标准语料库，我们可以近似的计算出所有的分词之间的二元条件概率，比如任意两个词w1,w2

，它们的条件概率分布可以近似的表示为：

　　　　其中freq(w1,w2)

表示w1,w2在语料库中相邻一起出现的次数，而其中freq(w1),freq(w2)分别表示w1,w2

在语料库中出现的统计次数。

　　　　利用语料库建立的统计概率，对于一个新的句子，我们就可以通过计算各种分词方法对应的联合分布概率，找到最大概率对应的分词方法，即为最优分词。

2. N元模型

　　　　当然，你会说，只依赖于前一个词太武断了，我们能不能依赖于前两个词呢？即：

P(Ai1,Ai2,...,Aini)=P(Ai1)P(Ai2|Ai1)P(Ai3|Ai1，Ai2)...P(Aini|Ai(ni−2)，Ai(ni−1))

　　　　这样也是可以的，只不过这样联合分布的计算量就大大增加了。我们一般称只依赖于前一个词的模型为二元模型(Bi-Gram model)，而依赖于前两个词的模型为三元模型。以此类推，我们可以建立四元模型，五元模型,...一直到通用的N

元模型。越往后，概率分布的计算复杂度越高。当然算法的原理是类似的。

　　　　在实际应用中，N一般都较小，一般都小于4，主要原因是N元模型概率分布的空间复杂度为O(|V|N)，其中|V|为语料库大小，而N为模型的元数，当N

增大时，复杂度呈指数级的增长。

　　　　N元模型的分词方法虽然很好，但是要在实际中应用也有很多问题，首先，某些生僻词，或者相邻分词联合分布在语料库中没有，概率为0。这种情况我们一般会使用拉普拉斯平滑，即给它一个较小的概率值，这个方法在朴素贝叶斯算法原理小结也有讲到。第二个问题是如果句子长，分词有很多情况，计算量也非常大，这时我们可以用下一节维特比算法来优化算法时间复杂度。