THULAC是一款相当不错的中文分词工具,准确率高、分词速度蛮快的;并且在工程上做了很多优化,比如:用DAT存储训练特征(压缩训练模型),加入了标点符号的特征(提高分词准确率)等。
【开源中文分词工具探析】系列:
- 开源中文分词工具探析(一):ICTCLAS (NLPIR)
- 开源中文分词工具探析(二):Jieba
- 开源中文分词工具探析(三):Ansj
- 开源中文分词工具探析(四):THULAC
- 开源中文分词工具探析(五):FNLP
- 开源中文分词工具探析(六):Stanford CoreNLP
- 开源中文分词工具探析(七):LTP
1. 前言
THULAC所采用的分词模型为结构化感知器(Structured Perceptron, SP),属于两种CWS模型中的Character-Based Model,将中文分词看作为一个序列标注问题:对于字符序列\(C=c_1^n\),找出最有可能的标注序列\(Y=y_1^n\)。定义score函数\(S(Y,C)\)为在\(C\)的情况下标注序列为\(Y\)的得分。SP以最大熵准则建模score函数,分词结果则等同于最大score函数所对应的标注序列。记在时刻\(t\)的状态为\(y\)的路径\(y_1^{t}\)所对应的score函数最大值为
\[ \delta_t(y) = \max S(y_1^{t-1}, C, y_t=y) \]
那么,则有递推式
\[ \delta_{t+1}(y) = \max_{y'} \ \{ \delta_t(y') + w_{y',y} + F(y_{t+1}=y,C) \} \]
其中,\(w_{y',y}\)为转移特征\((y',y)\)所对应的权值,\(F(y_{t+1}=y, C)\)为特征模板的特征值的加权之和:
\[ F(y_{t+1}=y,C) = \sum_{i=1}^7 \alpha_i f_i(y_{t+1}=y,C) \]
其中,\(\alpha_i\)为特征\(f_i(y_{t+1}=y,C)\)所对应的权重。
2. 分解
以下源码分析基于最近lite_v1_2版本THULAC-Java 。
训练模型
seg_only模式(只分词没有POS)对应的训练模型的数据包括三种:权重数据cws_model.bin
、序列标注类别数据cws_label.txt
、特征数据cws_dat.bin
。权重数据对应于类character.CBModel
,其格式如下:
int l_size (size of the labels): 4
int f_size (size of the features): 2453880
int[] ll_weights // weights of (label, label):
-42717
39325
-33792
...
-31595
26794
int[] fl_weights //weights of (feature, label):
-4958
2517
5373
-2930
-286
0
...
训练模型中的标注类别(label)共有4类“0”, “2”, “3”, “1”(见文件cws_label.txt
),分别对应于中文分词中的标注类别B、E、S、M;这一点可以在C++版的thulac_base.h
找到映照:
enum POC{
kPOC_B='0',
kPOC_M='1',
kPOC_E='2',
kPOC_S='3'
};
但是,THULAC在解码时用到的label,则是BMES在特征数据文件的索引位置,因此标注类别B、M、E、S映射到整数0、3、1、2;这些映射可以在后面的构建label转移矩阵labelTransPre
及Viterbi解码的代码中找到印证。那么,则B转移到B的权重\(w_{B,B}=w_{0,0}=-42717\),B转移到E的权重\(w_{B,E}=w_{0,1}=39325\),B转移到S的权重\(w_{B,S}=w_{0,2}=-33792\)。此即与实际情况相对应,B只能会转移到M和E,而不可能转移到S。
权重数据中标识对应于特征模板的feature共有2453880个。那么,label与label之间的组合共有4×4=16种,即ll_weights
的长度为16;feature与label之间的组合共有4×2453880=9815520种,即fl_weights
的长度为9815520。
特征数据则是用双数组Trie树DAT来存储的,对应于类base.Dat
,其格式如下:
int datSize: 7643071
Vector<Entry> dat:
0 0
0 1
0 51
0 52
...
25053 0
5 25088
...
datSize
为dat
的长度,等于7643071;类Entry
表示双数组中的的base与check值。那么,问题来了:一是特征长什么样?二是知道特征如何得到对应的权重?三是为什么DAT的长度远大于字符特征的个数2453880?
特征
首先,我们来看看特征长什么样,参看特征生成方法CBNGramFeature::featureGeneration
:
public void featureGeneration(String seq, Indexer<String> indexer, Counter<String> bigramCounter){
...
for(int i = 0; i < seq.length(); i ++){
mid = seq.charAt(i);
left = (i > 0) ? (seq.charAt(i-1)) : (SENTENCE_BOUNDARY);
...
key = ((char)mid)+((char)SEPERATOR) + "1";
key = ((char)left)+((char)SEPERATOR) + "2";
key = ((char)right)+((char)SEPERATOR) + "3";
key = ((char)left)+((char)mid)+((char)SEPERATOR) + "1";
key = ((char)mid)+((char)right)+((char)SEPERATOR) + "2";
key = ((char)left2)+((char)left)+((char)SEPERATOR) + "1"; // should be + "3"
key = ((char)right)+((char)right2)+((char)SEPERATOR) + "1"; // should be + "4"
...
}
}
特征模板共定义7个字符特征:3个unigram字符特征与4个bigram字符特征。在处理特征时,字符后面加上了空格,然后在加上标识1、2、3、4,用以区分特征的种类。值得指出的是Java版作者写错了最后两个bigram特征,应该是加上数字3、4;在C++版的函数NGramFeature::feature_generation
可找到印证。通过特征模板定义,我们发现THULAC既考虑到了前面2个字符(各种组合)对当前字符标注的影响,也考虑到了后面2个字符的影响。
接下来,为了解决第二个问题,我们来看看用Viterbi算法解码前的代码——THULAC先将特征值的加权之和\(F(t_i,C)\)计算出来,然后按label次序逐个放入values[i*4+label] 中。主干代码如下:
/**
* @param datSize DAT size
* @param ch1 first character
* @param ch2 second character
* @return [unigram字符特征的base + " ", bigram字符特征的base + " "]
*/
public Vector<Integer> findBases(int datSize, int ch1, int ch2) {
uniBase = dat.get(ch1).base + SEPERATOR;
biBase = dat.get(ind).base + SEPERATOR;
}
/**
* 按label 0,1,2,3 将特征值的加权之和放入values数组中
* @param valueOffset values数组偏置量,在putValues中调用时按步长4递增
* @param base unigram字符特征或bigram字符特征的base加上空格的index
* @param del 标识'1', '2', '3', '4' -> 49, 50, 51, 52
* @param pAllowedLable null
*/
private void addValues(int valueOffset, int base, int del, int[] pAllowedLable) {
int ind = dat.get(base).base + del; // 加上标识del后特征的index
int offset = dat.get(ind).base; // 特征的base
int weightOffset = offset * model.l_size; // 特征数组的偏移量
int allowedLabel;
if (model.l_size == 4) {
values[valueOffset] += model.fl_weights[weightOffset];
values[valueOffset + 1] += model.fl_weights[weightOffset + 1];
values[valueOffset + 2] += model.fl_weights[weightOffset + 2];
values[valueOffset + 3] += model.fl_weights[weightOffset + 3];
}
}
public int putValues(String sequence, int len) {
int base = 0;
for (int i = 0; i < len; i++) {
int valueOffset = i * model.l_size;
if ((base = uniBases[i + 1]) != -1) {
addValues(valueOffset, base, 49, null); // c_{i}t_{i}
}
if ((base = uniBases[i]) != -1) {
addValues(valueOffset, base, 50, null); // c_{i-1}t_{i}
}
if ((base = uniBases[i + 2]) != -1) {
addValues(valueOffset, base, 51, null); // c_{i+1}t_{i}
}
if ((base = biBases[i + 1]) != -1) {
addValues(valueOffset, base, 49, null); // c_{i-1}c_{i}t_{i}
}
if ((base = biBases[i + 2]) != -1) {
addValues(valueOffset, base, 50, null); // c_{i}c_{i+1}t_{i}
}
if ((base = biBases[i]) != -1) {
addValues(valueOffset, base, 51, null); // c_{i-2}c_{i-1}t_{i}
}
if ((base = biBases[i + 3]) != -1) {
addValues(valueOffset, base, 52, null); // c_{i+1}c_{i+2}t_{i}
}
}
}
注意:49对应于数字1的unicode值,50对应于数字2等。从上述代码中,我们发现特征数组fl[4*i+j]对应于特征的base为i,label为j。拼接特征的流程如下:先得到unigram或bigram字符特征,然后加空格,再加标识。在拼接过程中,按照DAT的转移方程进行转移:
base[r] + c = s
check[s] = r
最后,我们回到第三个问题——为什么DAT的长度远大于特征数?这是因为在构建DAT时,需要存储很多的中间结果。
解码
THULAC用于解码的类character.CBTaggingDecoder
,Viterbi算法实现对应于方法AlphaBeta::dbDecode
;CBTaggingDecoder的主要字段如下:
public char separator;
private int maxLength; // 定义的最大句子长度20000
private int len; // 待分词句子的长度
private String sequence; // 待分词句子的深拷贝
private int[][] allowedLabelLists; // 根据标点符号及句子结构,判断当前字符允许的label: int[len][]
private int[][] pocsToTags; // index -> allow-labels: int[16][2,3,4]
private CBNGramFeature nGramFeature;
private Dat dat; // 字符特征DAT
private CBModel model; // 权重
private Node[] nodes; // 分词DAG邻接表
private int[] values; // 特征模板F(t_i,X)的加权之和: int[i*4+label]
private AlphaBeta[] alphas; // 解码时用来记录path, [i, j]指c_{i}的标注为t_{j}的前一结点
private int[] result; // 分词后的标注数组
private String[] labelInfo; // ["0", "2", "3", "1"]
private int[] labelTrans; //
private int[][] labelTransPre; // 可能情况的前labels: int[4][3]
public int threshold;
private int[][] labelLookingFor;
其中,二维数组pocsToTags
为index与allow labels之间的映射,内容如下:
[null, [0, -1], [3, -1], [0, 3, -1],
[1, -1], [0, 1, -1], [1, 3, -1], [0, 1, 3, -1],
[2, -1], [0, 2, -1], [2, 3, -1], [0, 2, 3, -1],
[1, 2, -1], [0, 1, 2, -1], [1, 2, 3, -1], [0, 1, 2, 3, -1]]
该数组的index表示了当前字符具有某些性质,比如:
- 1([0])表示词的开始,即标注B;
- 2([3])表示词的中间字符,即标注M;
- 4([1])表示词的结尾,即标注E;
- 8([2])表示标点符号,即标注S;
- 9([0,2])表示某一个词的开始,或者能单独成词,即标注BS;
- 12([1,2])表示词的结束,即标注ES;
- 15([0,1,2,3])为默认值。
在分词前,THULAC根据标点符号等特征,给一些字符加入allow labels以提高分词准确性。比如,根据书名号确定里面为一个词,
val sentence = "倒模,替身算什么?钟汉良、ab《孤芳不自赏》抠图来充数"
val poc_cands = new POCGraph
val tagged = new TaggedSentence
val segged = new SegmentedSentence
val segmenter = new CBTaggingDecoder
val preprocesser = new Preprocesser
val prefix = "models/"
segmenter.init(prefix + "cws_model.bin", prefix + "cws_dat.bin", prefix + "cws_label.txt")
segmenter.setLabelTrans()
segmenter.segment(raw, poc_cands, tagged)
segmenter.get_seg_result(segged)
println(segged.mkString(" "))
// 倒模 , 替身 算 什么 ? 钟汉良 、 ab 《 孤芳不自赏 》 抠 图 来 充数
3. 参考资料
[1] Li, Z., & Sun, M. (2009). Punctuation as implicit annotations for Chinese word segmentation. Computational Linguistics, 35(4), 505-512.