让机器学会断句:基于词典的Bigram分词算法

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u013298300/article/details/86439074

概述

分词是NLP任务Pipeline中的重要步骤,一般来说都需要将句子切分成词之后,才能进一步把词进行向量化,最终输出各种各样的数学模型中,从而完成特定的NLP任务。中文不同于英文句子那样天然会用空格分割单词,所以中文句子切成独立的词相对困难,并且中文句子的词是上下文相关的,不同的分词方式会导致同一个句子出现不同含义。例如: 研究所取得的成就,这个句子切分成研究/所/取得/的/成就研究所/取得/的/成就含义是不一样的,在描述取得成就这件事上,前者主语是研究,而后者主语是研究所。至于哪种切分方式是正确的,则完全取决于上下文,在某个上下文中,如果大概率谈论的是研究所而非研究,那么我们则倾向于将句子切分成研究所/取得/的/成就。从这个角度来看,分词其实就是:将句子按照最合理(概率最大)的方式进行分词。

从序列到图

假设我们已经拥有一个足够大的词典DD,和待切分的句子t\bm t,从上文的叙述来看,分词的目的是将句子的字序列t=(t1t2t3...tn)\bm t=(t_1t_2t_3...t_n)切分成词序列s=(w1w2w3...wjwjD)\bm s=(w_1w_2w_3...w_j|w_j \in D),并且使得概率p(s)p(\bm s)最大。于是我们的算法的步骤无外乎三步:

  1. 找到一个切分序列si\bm s_i
  2. 计算该切分序列的概率p(si)p(\bm s_i)
  3. 选择概率最高的切分序列作为切分结果

我们且不去想如何计算一个切分序列的概率p(si)p(\bm s_i),现在先将注意力集中在如何寻找一个切分序列si\bm s_i上。我们当然可以穷举所有的切分序列,并且通过查询词典验证切分序列的合法性,然后过滤出来合法的切分序列,但这未免也太过低效了。寻找切分序列的问题可以转化成一个图问题来高效解决,这样通过图取表示切分序列的算法称之为N-最短路径法。具体的做法是:

  1. 对于字序列t=(t1t2t3...tn)\bm t=(t_1t_2t_3...t_n),在序列首尾增加两个特殊字:<s>和<\s>分别表示开始和结束,形成新的字序列t=(t0t1t2...tm)\bm t=(t_0t_1t_2...t_m)
  2. 对于字序列t=(t0t2t3...tm)\bm t=(t_0t_2t_3...t_m)中的所有节点, 相邻的节点ti1t_{i-1}tit_i之间建立一个有向边&lt;ti1,ti&gt;&lt;t_{i-1},t_i&gt;
  3. 如果子序列wj=(titi+1ti+2...tj)w_j=(t_{i}t_{i+1}t_{i+2}...t_j)是词典DD中的一个词,则生成节点twt_w且建立有向边&lt;ti1,tw&gt;&lt;t_{i-1}, t_w&gt;&lt;tw,tj+1&gt;&lt;t_w, t_{j+1}&gt;

经过上述步骤的处理,我们就可以得到一个DAG(无环有向图),遍历这个DAG我们就可以得到所有切分序列。以上文研究所取得的成就为例,经过处理可以得到DAG如图:

< s>
<\s>
研究
研究所
取得
成就

Unigram 模型

好了,现在我们知道如何获取一个切分序列之后,考虑如何计算切分序列的概率p(s)p(\bm s),最简单的方法,我们假设ss中的每个词都是独立的,这种假设我们称之为一元模型,也就是unigram模型,那么有:
(1)p(s)=jp(wj) p(\bm s) = \prod_jp(w_j) \tag{1}
于是我们寻找最大概率的哪个切分序列,则可以转化为求lnp(s)=jlnp(wj)lnp(\bm s)=-\sum_jlnp(w_j)最小的切分序列,其中词p(wj)p(w_j)的概率如何得到呢?如果有训练语料的化,可以从训练语料中统计得到,实验时我们可以选用人民日报1998年1月分词语料。但是如果没有训练语料则只能将每个词的概率都设为相等的常数了,因为根据最大熵原则,在没有额外信息的情况下,不乱假设就是最好的假设。

现在回过头来看研究所取得的成就对应的DAG,如果我们把DAG边的权重设置为后继节点词对应的负概率lnp(wj)-lnp(w_j),并且特别地令结束和起始节点的概率为常数,那么上述求最佳切分序列的N-最短路径法就可以转化称为求DAG最短路径问题了,最短路径可以通过维特比算法快速求解,这样比遍历切分序列再求最大概率值更加高效。

DAG边赋权后得到的新DAG如图:

-lnp(研)
-lnp(究)
-lnp(所)
-ln(取)
-lnp(得)
-lnp(的)
-lnp(成)
-lnp(就)
-lnp(<\s>)
-lnp(研究)
-lnp(所)
-lnp(研究所)
-lnp(取)
-lnp(取得)
-lnp(取得)
-lnp(的)
-lnp(成就)
-lnp(<\s>|成就)
< s>
<\s>
研究
研究所
取得
成就

这样只要我们找到了最短的路径就是概率最大的切分序列,也就是最合理的分词了。

Bigram 模型

现在我们回过头来看unigram模型的假设:句子中的字相互独立。这个假设实际上也就没有考虑字所在的上下文了,因为当一个我们去吃这个序列出现的时候,我们更倾向于猜测下一个字是而不是或者其它,这是因为我们有了句子上下文的知识。而在unigram眼里,这并不影响我们对下一个字的猜测。于是为了利用句子的上下文知识,我们重新将式(1)(1)建模为:
(2)p(s)=p(w1,w2,w3,...,wj)=p(w1)p(w2w1)p(w3w1,w2)...p(wjw1,w2,...,wj1) p(\bm s) = p(w_1, w_2, w_3, ...,w_j) = p(w_1)p(w_2|w_1)p(w_3|w_1,w_2)...p(w_j|w_1,w_2,...,w_{j-1}) \tag{2}
当然,式子(2)(2)是十分美好的,因为它可以利用句子的所有上下文来计算切分序列的概率,但这样计算的效率太低了,并且我们直觉上看,一个字与近的字强相关而与距离远的字弱相关,当我们看到我们去吃这个序列而做出了下一个字是的猜测,其实更多是因为去吃,而不是因为我们。于是我们大胆地假设:一个字的出现只与它前nn个字相关。我们称这样的假设为n阶马尔科夫假设。在分词应用上中我们取一阶马尔科夫假设就表现得足够好了,我们也称这样一阶马尔科夫假设的模型为Bigram模型,相应地式子(2)(2)可以写为:
(3)p(s)=jp(wjwj1) p(\bm s) = \prod_j p(w_j|w_{j-1}) \tag{3}
同样地,式子(3)(3)中的p(wjwj1)p(w_j|w_{j-1})可以直接从训练语料中统计得到(也可以通过model based的方法得到)。于是我们重新给DAG的边定义权重为lnp(wjwj1)-lnp(w_j|w_{j-1})并且特别地令p(wj&lt;s&gt;)p(w_j|&lt;s&gt;)p(wj&lt;/s&gt;)p(w_j|&lt;/s&gt;)为常数,就可以得到Bigram模型下的DAG了,在这个DAG上求最短路径就得到了最优的切分序列。

-lnp(研|< s>)
-lnp(究|研)
-lnp(所|究)
-ln(取|所)
-lnp(得|取)
-lnp(的|得)
-lnp(成|的)
-lnp(就|成)
-lnp(<\s>|就)
-lnp(研究|< s>)
-lnp(所|研究)
-lnp(研究所|< s>)
-lnp(取|研究所)
-lnp(取得|所)
-lnp(取得|研究所)
-lnp(的|取得)
-lnp(成就|的)
-lnp(<\s>)
< s>
<\s>
研究
研究所
取得
成就

实现

在实现上可以设计两个类: BigramLanguaModelDAG,其中类BigramLanguaModel负责从训练语料中统计得到lnp(wjwj1)lnp(w_j|w_{j-1})和词典,而DAG类负责从给定的BigramLanguaModel和待分词的字符串建立对应的有向图,并且求出最短路径。这里有我用C++实现的完整代码。在使用人民日报1998年1月分词语料数据集进行训练之后,得到的模型对研究所取得的成就分词结果为: 研究所/取得/的/成就

最后,请继续期待中文分词的第二弹:《让机器学会断句:基于序列标注的分词算法》

没有更多推荐了,返回首页