前几天在网上闲逛,看到一篇美文,说的是怎么在没有语料库的情况下从文本中提取中文词汇,理论部分讲得比较多,但都还是很浅显易懂的,其中涉及一部分信息论的理论,其实只要大学开过信息论这门课的话,看起来还是挺简单的。
信息论我忘得差不多了,但是其中主要的内容还记得,信息论最主要的就是信息其实是可以度量的,一个事件包含的信息和它发生的概率成反比,简单的说,同样一个事件,产生A结果的概率为Pa,产生B结果的概率为Pb,如果Pa大于Pb,那A所包含的信息量就比B要大。
打个简单的比喻,比如中国队和西班牙队踢足球比赛,大家都知道,西班牙队赢的概率大概是99.9999%,中国队赢的概率大概是0.0001%,假如最后的结果是中国队赢了(靠实力)的话,那这个事件(中国队赢了西班牙)就是个信息量非常巨大的事件,我相信各大报纸的头条都会报道,反而如果西班牙赢了,估计没有报纸会报道这个消息,这就是信息论的核心,也就是信息熵。
扯远了,上面只是说说我对信息论的理解,在分词技术上,目前的分词技术基本上都是基于字典的,就是看文章中有没有字典含有的词语,如果有,就把这个当成一个词来分,这样也衍生了很多分词技术,大家有兴趣可以自己去查一查。
如果我们没有词典,需要分词就比较麻烦了,假设我们最大的词长度设定为5,能想到的办法就是,从第一个字开始,把文本中所有连在一起的两个字,三个字,四个字,五个字的片段找出来,然后看这些片段在文本中出现的频率,频率高的就当成一个词汇,这样确实能分出词来,但是这样同样也分出了一些不是词的词汇,比如上面的文章中,“的话”这个词就出现的相对比较多,显然,这不是一个词。
在这种基础上怎么把类似“的话”这样的词去掉就是我们要做的工作了。这涉及到两个重要的部分,也是那篇美文提到的两个部分。
第一,怎么去掉类似于“的中国”和“中国队”这样的差异,这三个词可能出现的频率都差不多,甚至“的中国”出现的频率更高,假设对于一个长文本(假设为10000,并且是描述足球比赛的),
“的中国”出现了100次,概率是1%
“中国队”出现了60次,概率是0.6%
“中国” 出现了200次,概率为2%
“的” 出现了500次,概率为5%
“队” 出现了70次,概率为0.7%
这样的数据情况下,“的”字和“中国”随机组合在一起的概率为5%*2%=1%,而“队”和“中国”随机组合在一起的概率为0.7%*2%=0.14%,显然“的中国”的出现概率和他们组合在一起的概率差不多,所以我们认为“的中国”更像是随机组合在一起的词而不是一个固定的词汇,但“中国队”出现的概率比他们组合在一起的概率高了4.28倍,所以我们认为“中国队”更像一个词汇。
通过上面的计算,我们就可以把“的中国”这样的词丢掉了,就算他出现了很多次,但是我们一样不认为它是一个词,这就是第一部分,我们把它叫词语的凝聚程度,“的中国”显然凝聚力不够。
第二,像类似“了一”这样的词在文章中肯定也出现得很多,因为是足球比赛文章,所以经常出现摔了一跤,进了一球等等,显然,“了一”也不是一个词汇,但是单独看“了”和“一”,“了一”的概