Python与自然语言处理——中文分词（一）

中文分词技术（一）

中文分词问题主要来源于：在汉语中，句子是以字为单位的，但是语义理解仍然是需要以词为单位，所以也就存在了中文分词问题。

主要的技术可以分为：规则分词、统计分词以及混合分词（规则+统计）

规则分词

基于规则的分词是一种机械分词，主要依赖于维护词典，在切分时将与剧中的字符串与词典中的词进行匹配。

主要的切分方法包括三种：正向最大匹配法、逆向最大匹配法以及双向最大匹配法。

正向最大匹配法（MM法）

• 基本思想
  假设分词词典中最长词由$i$个汉字组成，则用被处理文档当前前$i$个字作为匹配字段，若字典中存在这样的词则匹配成功，否则去掉最后一个字再进行查找。
• 代码示例

#定义正向最大匹配法类
class MM(object):
    def __init__(self):
        self.window_size=3    #词典中最长字符串包含的字数
    
    def cut(self,text):
        result=[]
        index=0
        text_length=len(text)
        dic=['研究','研究生','生命','命','的','起源']   #词典
        while text_length>index:     #只要还有字就进行匹配
            for size in range(self.window_size+index,index,-1):  #生成可能长度
                piece=text[index:size]
                if piece in dic:
                    index=size-1   #匹配成功将index设置为匹配成功的最后一个字的位置
                    break
            index=index+1   #开始下一个字符串的匹配
            result.append(piece+'----')
        print(result)

if __name__=='__main__':
    text='研究生命的起源'
    tokenizer=MM()
    tokenizer.cut(text)

结果如下所示：

---

[‘研究生----’, ‘命----’, ‘的----’, ‘起源----’]

---

逆向最大匹配法（RMM法）

• 基本思路
  基本思路与正向相同，只是切分方向正好与MM法相反。从文档末尾开始处理，每次去除第一个字进行匹配，维护的也是逆序词典，每个词都按逆序方式存放。
  RMM比MM的误差小。
• 代码示例

#定义逆向最大匹配法类
class RMM(object):
    def __init__(self):
        self.window_size=3
    
    def cut(self,text):
        result=[]
        index=len(text)  #从文本末尾开始
        dic=['研究','研究生','生命','命','的','起源'] 
        while index>0:
            for size in range(index-self.window_size,index):
                piece=text[size:index]  #找到最后几个字组成的字符串
                if piece in dic:
                    index=size+1      #将位置更新为匹配到的最后一个字的位置
                    break
            index=index-1   #开始新的位置
            result.append(piece+'----')
        result.reverse()  #由于从最后进行匹配，所以顺序是反的，需要颠倒过来
        print(result)
        
if __name__=='__main__':
    text='研究生命的起源'
    tokenizer=RMM()
    tokenizer.cut(text)

结果如下所示：

---

[‘研究----’, ‘生命----’, ‘的----’, ‘起源----’]

---

双向最大匹配法

• 基本思想
  双向最大匹配法将正向和逆向的结果进行比较，按照最大匹配原则，选择词数切分最少的作为结果。
• 双向最大匹配规则
  • 如果结果词数不同，返回分词数量较少的一个；
  • 如果结果词数相同
    • 分词结果相同，任意返回一个
    • 分词结果不同，返回单个字较少的一个
• 代码示例

#定义双向最大匹配法的类
class BMM(object):
    def __init__(self):
        self.window_size=3
        self.result_MM=[]
        self.result_RMM=[]
        self.num_MM=0
        self.num_RMM=0
    
    #正向最大
    def MM(self,text):
        index=0
        text_length=len(text)
        dic=['研究','研究生','生命','命','的','起源']   #词典
        while text_length>index:     #只要还有字就进行匹配
            for size in range(self.window_size+index,index,-1):  #生成可能长度
                piece=text[index:size]
                if piece in dic:
                    index=size-1   #匹配成功将index设置为匹配成功的最后一个字的位置
                    break
            index=index+1   #开始下一个字符串的匹配
            self.result_MM.append(piece+'----')
            if len(piece)==1:
                self.num_MM+=1
    
    #逆向最大
    def RMM(self,text):
        index=len(text)  #从文本末尾开始
        dic=['研究','研究生','生命','命','的','起源'] 
        while index>0:
            for size in range(index-self.window_size,index):
                piece=text[size:index]  #找到最后几个字组成的字符串
                if piece in dic:
                    index=size+1      #将位置更新为匹配到的最后一个字的位置
                    break
            index=index-1   #开始新的位置
            self.result_RMM.append(piece+'----')
            if len(piece)==1:
                self.num_RMM+=1
        self.result_RMM.reverse()  #由于从最后进行匹配，所以顺序是反的，需要颠倒过来
    
    def cut(self,text):
        if len(self.result_MM)>len(self.result_RMM):
            result=self.result_RMM
        elif len(self.result_MM)<len(self.result_RMM):
            result=self.result_MM
        elif len(self.result_MM)==len(self.result_RMM):
            if self.result_MM==self.result_RMM:
                result=self.result_RMM
            else:
                if self.num_MM>self.num_RMM:
                    result=self.result_RMM
                else:
                    result=self.result_MM
        print(result)

if __name__=='__main__':
    text='研究生命的起源'
    tokenizer=BMM()
    tokenizer.MM(text)
    tokenizer.RMM(text)
    tokenizer.cut(text)

结果如下所示：

---

[‘研究----’, ‘生命----’, ‘的----’, ‘起源----’]

---

统计分词

主要思想：将每个词视作由字组成，如果相连的字在不同文本中出现次数越多，就越可能是一个词。

基于统计的分词一般有以下两步：

• 建立统计语言模型
• 对句子进行单词划分，对划分结果进行概率计算（隐马尔可夫【HMM】、条件随机场【CRF】等）

语言模型

• 语言模型
  为长度为$m$的字符串确定其概率分布$P\left(x_1,x_2,\cdots ,x_m\right)$，其中$x_1,x_2,\cdots ,x_m$为文本中的各个词语，计算公式如下：
  $$P\left(x_1,x_2,\cdots ,x_m\right)=P\left(x_1\right)P\left(x_2|x_1\right)P\left(x_3|x_1,x_2\right)\cdots </$$