发现新词 | NLP之无监督方式构建词库(四)

前言

  这篇文章是对发现新词 | NLP之无监督方式构建词库(三)的性能优化。主要改动包括如下两个方面：

1、使用了语言模型工具kenlm的count_ngrams程序来统计ngram。由于kenlm是用C++写的，速度有保证，并且它还做了优化，所以对内存很友好。
2、在第二次遍历词库以得到候选词的时候，使用了Trie树结构来加速搜索字符串是否出现过某个ngram。Trie树或者其变种基本上是所有基于词典的分词工具的标配，就是因为它可以加快搜索字符串中是否出现过词典中的词。

一、数据介绍

  本文针对一万多条商品名称语料来进行实验，数据格式如下：

二、实验代码

  代码部分参见：更好更快的新词发现。
  首先，定义了一些变量与一个显示进度的类。

#! -*- coding: utf-8 -*-
import re
import struct
import os
import six
import codecs
import math
import logging

min_count = 2
order = 4
Entropy_Threshold = [0, 2, 4, 6]  # 互信息熵阈值
corpus_file = 'data/thucnews.corpus'  # 语料保存的文件名
vocab_file = 'data/thucnews.chars'  # 字符集保存的文件名
ngram_file = 'data/thucnews.ngrams'  # ngram集保存的文件名
output_file = 'data/thucnews_min.vocab'  # 最后导出的词表文件名
memory = 0.5  # memory是占用内存比例，理论上不能超过可用内存比例

logging.basicConfig(level=logging.INFO, format=u'%(asctime)s - %(levelname)s - %(message)s')


class Progress:
    """显示进度，自己简单封装，比tqdm更可控一些
    iterator: 可迭代的对象；
    period: 显示进度的周期；
    steps: iterator可迭代的总步数，相当于len(iterator)
    """

    def __init__(self, iterator, period=1, steps=None, desc=None):
        self.iterator = iterator
        self.period = period
        if hasattr(iterator, '__len__'):
            self.steps = len(iterator)
        else:
            self.steps = steps
        self.desc = desc
        if self.steps:
            self._format_ = u'%s/%s passed' % ('%s', self.steps)
        else:
            self._format_ = u'%s passed'
        if self.desc:
            self._format_ = self.desc + ' - ' + self._format_
        self.logger = logging.getLogger()

    def __iter__(self):
        for i, j in enumerate(self.iterator):
            if (i + 1) % self.period == 0:
                self.logger.info(self._format_ % (i + 1))
            yield j

1.将语料转存为文本

  这一步的主要操作是将语料间的词与词之间用空格隔开。这样做的原因是kenlm需要一个以空格分词的、纯文本格式的语料作为输入。

def write_corpus(texts, filename):
    """将语料写到文件中，词与词(字与字)之间用空格隔开
    """
    with codecs.open(filename, 'w', encoding='utf-8') as f:
        for s in Progress(texts, 10000, desc=u'exporting corpus'):
            s = ' '.join(s) + '\n'
            f.write(s)


# 语料生成器，并且初步预处理语料
def text_generator():
    d = codecs.open("data/file_corpus_min.txt", encoding='utf-8').read()
    # d = d.replace(u'\u3000', ' ').strip()
    yield re.sub(u'[^\u4e00-\u9fa50-9a-zA-Z ]+', '\n', d)


# 1.将语料转存为文本
write_corpus(text_generator(), corpus_file)

生成的thucnews.corpus文件格式如下：

2.用Kenlm统计ngram

  这一步，就是调用kenlm的count_ngrams程序来统计ngram。所以，你需要自行编译好kenlm（ubuntu20.04 | 安装编译kenlm），并把它的count_ngrams放到跟word_discovery.py同一目录下。在使用前，需要赋予count_ngrams可执行权限。

(base) liujie@liujie-ThinkPad-L490:~/projects/PycharmProjects/word-discovery$ chmod +x count_ngrams 

执行示例如下：

./count_ngrams -S 50% -o 4 --write_vocab_list output/test2.chars <output/test2.corpus >output/test2.ngrams

• -S：[ --memory ] arg (=80%) Sorting memory内存预占用量
• -O：n:最高采用n-gram语法
• --write_vocab_list：path1 <path2 >path3，分别是字符集文件、语料文件、ngram文件。

def count_ngrams(corpus_file, order, vocab_file, ngram_file, memory=0.5):
    """通过os.system调用Kenlm的count_ngrams来统计频数
    其中，memory是占用内存比例，理论上不能超过可用内存比例。
    """
    done = os.system(
        './count_ngrams -o %s --memory=%d%% --write_vocab_list %s <%s >%s'
        % (order, memory * 100, vocab_file, corpus_file, ngram_file)
    )
    if done != 0:
        raise ValueError('Failed to count ngrams by KenLM.')


# 2.用Kenlm统计ngram
count_ngrams(corpus_file, order, vocab_file, ngram_file, memory)

生成的文件都是二进制文件，后续需要进行转换。

3.加载Kenlm的ngram统计结果

  这一步就是转换二进制文件格式并加载到内存中。

class KenlmNgrams:
    """加载Kenlm的ngram统计结果
    vocab_file: Kenlm统计出来的词(字)表；
    ngram_file: Kenlm统计出来的ngram表；
    order: 统计ngram时设置的n，必须跟ngram_file对应；
    min_count: 自行设置的截断频数。
    """

    def __init__(self, vocab_file, ngram_file, order, min_count):
        self.vocab_file = vocab_file
        self.ngram_file = ngram_file
        self.order = order
        self.min_count = min_count
        self.read_chars()  # 读取词(字)表
        self.read_ngrams()  # 读取ngram表

    def read_chars(self):
        f = open(self.vocab_file)
        chars = f.read()
        f.close()
        chars = chars.split('\x00')
        # six.PY2 返回一个表示当前运行环境是否为python2的boolean值
        self.chars = [i.decode('utf-8') if six.PY2 else i for i in chars]

    def read_ngrams(self):
        """读取思路参考https://github.com/kpu/kenlm/issues/201
        """
        self.ngrams = [{} for _ in range(self.order)]
        self.total = 0
        size_per_item = self.order * 4 + 8

        def ngrams():
            with open(self.ngram_file, 'rb') as f:
                while True:
                    s = f.read(size_per_item)
                    if len(s) == size_per_item:
                        n = self.unpack('l', s[-8:])
                        yield s, n
                    else:
                        break

        for s, n in Progress(ngrams(), 100000, desc=u'loading ngrams'):
            if n >= self.min_count:
                self.total += n
                c = [self.unpack('i', s[j * 4: (j + 1) * 4]) for j in range(self.order)]
                c = ''.join([self.chars[j] for j in c if j > 2])
                for j in range(len(c)):
                    self.ngrams[j][c[:j + 1]] = self.ngrams[j].get(c[:j + 1], 0) + n

    def unpack(self, t, s):
        # struct.unpack：把bytes变成相应的Python数据类型
        # t=l:表示long转为integer
        # t=i：表示int转为integer
        return struct.unpack(t, s)[0]


# 3.加载ngram
ngrams = KenlmNgrams(vocab_file, ngram_file, order, min_count)

4.过滤ngram

  基于互信息熵过滤ngram，[0, 2, 4, 6]是互信息的阈值，其中第一个0无意义，仅填充用，而2, 4, 6分别是2gram、3gram、4gram的互信息阈值，基本上单调递增比较好。

# TODO:5.过滤ngram
def filter_ngrams(ngrams, total, min_pmi=1):
    """
    通过互信息过滤ngrams，只保留“结实”的ngram。
    :param ngrams: [{one_ngram}, {two_ngram}, {three_ngram}, {four_ngram}]
    :param total: 总数
    :param min_pmi: 不同ngram的互信息熵
    :return:
    """
    order = len(ngrams)
    if hasattr(min_pmi, '__iter__'):
        min_pmi = list(min_pmi)
    else:
        min_pmi = [min_pmi] * order
    output_ngrams = set()
    total = float(total)
    for i in range(order - 1, 0, -1):
        for w, v in ngrams[i].items():
            pmi = min([
                total * v / (ngrams[j].get(w[:j + 1], total) * ngrams[i - j - 1].get(w[j + 1:], total))
                for j in range(i)
            ])
            if math.log(pmi) >= min_pmi[i]:
                output_ngrams.add(w)
    return output_ngrams


# 4.过滤ngram
ngrams = filter_ngrams(ngrams.ngrams, ngrams.total, Entropy_Threshold)

5.构建字典树，做预分词，得到候选词

  首先构建一个ngram的Trie树，然后用这个Trie树就可以做一个基本的“预分词”。在第二次遍历词库以得到候选词的时候，使用了Trie树结构来加速搜索字符串是否出现过某个ngram。Trie树或者其变种基本上是所有基于词典的分词工具的标配，就是因为它可以加快搜索字符串中是否出现过词典中的词。

# TODO:6.构建一个ngram的Trie树，然后用这个Trie树做一个基本的预分词,
#  只要一个片段出现在字典树中，这个片段就不切分
class SimpleTrie:
    """
        通过Trie树结构，来搜索ngrams组成的连续片段
    """

    def __init__(self):
        self.dic = {}
        self.end = True

    def add_word(self, word):
        _ = self.dic
        # 遍历字符串中的每一个字符
        for c in word:
            # 如果字符不在字典中
            if c not in _:
                _[c] = {}
            # 如果字符在字典中
            _ = _[c]
        _[self.end] = word

    def tokenize(self, sent):
        """
        通过最长联接的方式来对句子进行分词
        只要一个片段出现在字典树中，这个片段就不切分
        :param sent: 句子
        :return:
        """
        result = []
        start, end = 0, 1
        for i, c1 in enumerate(sent):
            _ = self.dic
            if i == end:
                result.append(sent[start: end])
                start, end = i, i + 1
            for j, c2 in enumerate(sent[i:]):
                if c2 in _:
                    _ = _[c2]
                    if self.end in _:
                        if i + j + 1 > end:
                            end = i + j + 1
                else:
                    break
        result.append(sent[start: end])
        return result


# 构建ngram的Trie树
ngtrie = SimpleTrie()
for w in Progress(ngrams, 10000, desc=u'build ngram trie'):
    _ = ngtrie.add_word(w)

# 得到候选词
candidates = {}
for t in Progress(text_generator()):
    for w in ngtrie.tokenize(t):  # 预分词
        candidates[w] = candidates.get(w, 0) + 1

6.候选词回溯

# TODO:7.候选词过滤
# 如果它是一个小于等于n字的词，那么检测它在不在G中，不在就出局；
# 如果它是一个大于n字的词，那个检测它每个n字片段是不是在G中，只要有一个片段不在，就出局
def filter_vocab(candidates, ngrams, order):
    """通过与ngrams对比，排除可能出来的不牢固的词汇(回溯)
    """
    result = {}
    for i, j in candidates.items():
        if len(i) < 3:
            result[i] = j
        elif len(i) <= order and i in ngrams:
            result[i] = j
        elif len(i) > order:
            flag = True
            for k in range(len(i) + 1 - order):
                if i[k: k + order] not in ngrams:
                    flag = False
            if flag:
                result[i] = j
    return result


# 频数过滤
candidates = {i: j for i, j in candidates.items() if j >= min_count}
# 互信息过滤(回溯)
candidates = filter_vocab(candidates, ngrams, order)

7.输出结果文件

# TODO:8.输出结果文件
with codecs.open(output_file, 'w', encoding='utf-8') as f:
    for i, j in sorted(candidates.items(), key=lambda s: -s[1]):
        if len(i) != 1:
            s = '%s %s\n' % (i, j)
            f.write(s)

部分效果展示：

---

参考：

• 更好更快的新词发现
• ubuntu20.04 | 安装编译kenlm