基于条件随机场模型的中文分词改进（Python中文分词）

目录

改进分词速度

一、更改存储特征值的数据结构

二、缩短对语料库的遍历时间（对语料库的预处理）

三、先将所有的特征值保存到数据库中

改进分词的准确度

实验项目和结果截图

实验项目

保存特征值时采用多层嵌套（多特征多嵌套-34.9秒）

保存特征值时不采用多层嵌套（仅特征四少嵌套-32.73秒）

缩短对语料库的遍历时间（语料库预处理-4.24秒）

将所有的特征值保存到数据库后（最快-0.04秒）

“人机耦合”提高分词准确度（0.04秒）

---

基于条件随机场模型的中文分词实现：基于条件随机场模型的中文分词实现（Python中文分词）_条件随机场实现中文分词_admiz的博客-CSDN博客

改进分词速度

一、更改存储特征值的数据结构

在保存征值时，我们可以用字典、列表等数据结构来对结果保存。经过多次对不同数据结构的测试，发现在字典内嵌套的层数越多，遍历的速度越慢。针对特征四的所有结果中……

最慢的是形如： {'希': {'B': {'前': {' '长':0 }, '后': {'望': 0}}, 'M': {'前': {'阎': 0 }, '后': {'军': 0}}, 'E': {'前': {'里': 0}, '后': {'在': 0}}, 'S': {'前': {'几': 0}, '后': {'一': 0}}}的三四层嵌套字典。（该字典dict的用法：寻找“希”字在“B” 状态时前面为“长”的概率是多少时输入dict[‘希’][‘B’][‘前’][‘长’]即可找到相应的数据。）

最快的是形如： {'希': {'腊': [1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], '希': [0.3, 0.6, 0.6, 0.3, 0.0, 0.0, 0.0, 0.0]}, '腊': {'希': [0.0, 0.0, 0.034, 0.034, 0.965, 0.965, 0.0, 0.0]}} 该字典dict的用法：寻找“希”字在“B”状态时前面为“腊”的概率是多少时输入dict[‘希’][‘腊’][0]，寻找“希”字在“B”状态时后面为“腊”的概率是多少时输入dict[‘希’] [‘腊’] [1]，寻找“希”字在“M”状态时前面为“腊”的概率是多少时输入dict[‘希’] [‘腊’] [2],以此类推……）

同时我们也发现字典内的字越少，遍历越快，所以在遍历时可以加个判断来筛选出有用的数据，不添加没用的数据到列表中。

综上所述，当采用嵌套层数越少的数据结构，并只把有用的数据保存到数据结构中，分词速度能有一定的提升。

二、缩短对语料库的遍历时间（对语料库的预处理）

在针对某字寻找特征二时，需要遍历一遍语料库来寻找该字的所有状态来求得需要的概率，特征三、特征四同理。而语料库有四百多万个字，当要寻找多个字的所有特征值时，约等于需要遍历三遍[（分词列表的长度数）x（四百多万）]个字，若分词列表内有十个字则需要遍历三次四千万多字。

为缩短对语料库的遍历时间，可以对语料库进行精准的删减。通过对特征二、特征三、特征四的理解，我们得知特征二只针对分词列表内的字，特征三针对分词列表内的字以及其下一个字，特征四针对分词列表内的字以及它的上一个字和下一个字。

至此我们可以知道，如果一个语料库能解决计算特征四的问题，那么这个语料库也能解决计算出特征二、特征三的问题。

生成所需语料库的步骤：

（1）打开并读取语料库

wordFile=open("msr_training.utf8.ic",'r',encoding='utf-8')
wordFeedInit=wordFile.readlines() #[0]=字 [2]=标注
wordFile.close
wordFeedLen=len(wordFeedInit)

（2）获取分词内容（列表）

str1=input("请输入要分词的字符串:")

（3）保存分词列表内每个字及它的上下字的数据

wordFeed = [ ]  #用来储存所需语料库
for i in range(1,wordFeedLen-1):
    if wordFeedInit[i][0] in str1:
        key1=[wordFeedInit[i-1],wordFeedInit[i],wordFeedInit[i+1]]
        wordFeed.extend(key1)
wordFeedLen=len(wordFeed)

三、先将所有的特征值保存到数据库中

即使是精准地缩短了语料库的长度，但在整个程序的运行时间里，大部分时间基本