NLP系列-中文分词（基于统计）

上文已经介绍了基于词典的中文分词，现在让我们来看一下基于统计的中文分词。

统计分词：

统计分词的主要思想是把每个词看做是由字组成的，如果相连的字在不同文本中出现的次数越多，就证明这段相连的字很有可能就是一个词。

统计分词一般做如下两步操作：

1.建立统计语言模型（n-gram）

2.对句子进行单词划分，然后对划分结果做概率计算，获取概率最大的分词方式。这里就用到了统计学习算法，如隐马尔科夫模型（HMM），条件随机场（CRF）等

语言模型：

语言模型在信息检索，机器翻译，语音识别中承担着重要的任务。这种模型结构简单，直接，但同时也因为数据缺乏而必须采取平滑算法。这里主要介绍n元语言模型（n-gram）。

假设S表示长度为i，由（W1,W2,....,Wi）字序列组成的句子，则代表S的概率为：

P(S) = P(W1,W2,...,Wi) = P(W1)*P(W2|W1)*P(W3|W2,W1)....P(Wi|W1,W2,...,Wi-1)

即每个字的出现都与他之前出现过的字有关，最后整个句子S的概率为这些字概率的乘积。但是这个计算量很大，所以在这里我们可以利用马尔科夫假设，即当前词只与最多前n-1个有限的词相关：

当n＝1时，即出现在第i位上的词Wi独立于历史时，一元文法被记作uni-gram，一元语言模型可以记作：

uni-gram

当n＝2时，即出现在第i位上的词wi仅与它前面的一个历史词wi-1有关，二元文法模型被称为一阶马尔可夫链（Markov chain），记作bi-gram，二元语言模型可以记作：

bi-gram

当n＝3时，即出现在第i位置上的词wi仅与它前面的两个历史词wi-2和wi-1有关，三元文法模型被称为二阶马尔可夫链，记作tri-gram，三元语言模型可以记作：

tri-gram

在实际应用中，一般使用频率计数的比例来计算n元条件概率。

基于HMM的分词：

隐含马尔可夫模型（HMM）是将分词作为字在句子中的序列标注任务来实现的（关于HMM稍后会在另一篇文章中详细介绍）。其基本思路是：每个字在构造一个特定词语时都占据着一个特定的位置即词位，一般采用四结构词位：B（词首），M（词中），E（词尾）和S（单独成词）。比如：

'中文/分词/是/文本处理/不可或缺/的/一步/！'，

标注后的形式：

'中/B 文/E 分/B 词/E 是/S 文/B 本/M 处/M 理/E 不/B 可/M 或/M 缺/E 的/S 一/B 步/E ！/S'。

其中，词位序列代表着HMM中不可见的隐藏状态序列，而训练集中的文本则为可见的观测序列。这样就变成了已知观测序列，求未知的隐藏序列的HMM问题。

本篇文章中，我们使用有标记的监督学习去训练HMM的参数，无监督学习的Baum-Welch方法（EM）会后续更新到本文中。

实现主要分为三步:

1.使用已经分好词的训练集去训练HMM模型，计算频数得到HMM的三要素（初始状态概率，状态转移概率和发射概率）。

训练HMM参数

2.使用Viterbi算法以及训练好的三个概率矩阵，将待分词的句子转换为'BMES'类型的状态序列。

Viterbi求最大概率序列

3.根据已经求出的状态序列，划分句子进行分词。

分词

最后测试结果:

训练参数

读取模型并分词

本文实现的HMM分词模型比较简单，分词效果依赖于训练集文本语料库的规模，所以要想得到更好的性能，需要花费人力维护语料库。

待更新。

详细代码可参考GitHub: 代码连接

参考书籍:

《Python自然语言处理实战-核心技术与算法》涂铭，刘祥，刘树春  著

《统计自然语言处理》 宗成庆  著