转载

非主流自然语言处理——遗忘算法系列(三):分词

一、前言

前面介绍了词库的自动生成的方法,本文介绍如何利用前文所生成的词库进行分词。

二、分词的原理

分词的原理,可以参看吴军老师《数学之美》中的相关章节,这里摘取Google黑板报版本中的部分:

非主流自然语言处理——遗忘算法系列(三):分词

从上文中,可以知道分词的任务目标:给出一个句子S,找到一种分词方案,使下面公式中的P(S)最大:

非主流自然语言处理——遗忘算法系列(三):分词

不过,联合概率求起来很困难,这种情况我们通常作马尔可夫假设,以简化问题,即:任意一个词wi的出现概率只同它前面的词 wi-1 有关。

关于这个问题,吴军老师讲的深入浅出,整段摘录如下:

非主流自然语言处理——遗忘算法系列(三):分词

另外,如果我们假设一个词与其他词都不相关,即相互独立时,此时公式最简,如下:

非主流自然语言处理——遗忘算法系列(三):分词

这个假设分词无关的公式,也是本文所介绍的分词算法所使用的。

三、算法分析

问:假设分词结果中各词相互无关是否可行?

答:可行,前提是使用遗忘算法系列(二)中所述方法生成的词库,理由如下:

分析ICTCLAS广受好评的分词系统的免费版源码,可以发现,在这套由张华平、刘群两位博士所开发分词系统的算法中假设了:分词结果中词只与其前面的一个词有关。

回忆我们词库生成的过程可以知道,如果相邻的两个词紧密相关,那么这两个词会连为一个粗粒度的词被加入词库中,如:除“清华”、“大学”会是单独的词外,“清华大学”也会是一个词,分词过程中具体选用那种,则由它们的概率来决定。

也就是说,我们在生成词库的同时,已经隐含的完成了相关性训练。

关于ICTCLAS源码分析的文章,可以参看吕震宇博文:《天书般的ICTCLAS分词系统代码》。

问:如何实现分词?

答:基于前文生成的词库,我们可以假设分词结果相互无关,分词过程就比较简单,使用下面的步骤可以O(N)级时间,单遍扫描完成分词:

逐字扫描句子,从词库中查出限定字长内,以该字结尾的所有词,分别计算其中的词与该词之前各词的概率乘积,取结果值最大的词,分别缓存下当前字所在位置的最大概率积,以及对应的分词结果。

重复上面的步骤,直到句子扫描完毕,最后一字位置所得到即为整句分词结果。

3、算法特点

3.1、无监督学习;

3.2、O(N)级时间复杂度;

3.3、词库自维护,程序可无需人工参与的情况下,自行发现并添加新词、调整词频、清理错词、移除生僻词,保持词典大小适当;

3.4、领域自适应:领域变化时,词条、词频自适应的随之调整;

3.5、支持多语种混合分词。

四、演示程序下载

演示程序与词库生成的相同:

下载地址: 遗忘算法(词库生成、分词、词权重)演示程序.rar

五、联系方式:

1、QQ:老憨 244589712

2、邮箱:gzdmcaoyc@163.com

原文  http://www.52nlp.cn/forgetnlp3
正文到此结束
Loading...