HanLP《自然语言处理入门》笔记--2.词典分词

笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP

2. 词典分词

中文分词：指的是将一段文本拆分为一系列单词的过程，这些单词顺序拼接后等于原文本。
中文分词算法大致分为基于词典规则与基于机器学习这两大派。

2.1 什么是词

在基于词典的中文分词中，词的定义要现实得多：词典中的字符串就是词。
词的性质--齐夫定律：一个单词的词频与它的词频排名成反比。

2.2 词典

互联网词库(SogouW， 15万个词条)、清华大学开放中文词库(THUOCL)、HanLP词库(千万级词条)

这里以HanLP附带的迷你核心词典为例(本项目路径)：data/dictionnary/CoreNatureDictionary.mini.txt

上升	v	98	vn	18

上升期	n	1

上升股	n	1

上午	t	147

上半叶	t	3

上半场	n	2

上半夜	t	1

HanLP中的词典格式是一种以空格分隔的表格形式，第一列是单词本身，之后每两列分别表示词性与相应的词频。

2.3 切分算法

首先，加载词典：

def load_dictionary():

    dic = set()

    # 按行读取字典文件，每行第一个空格之前的字符串提取出来。

    for line in open("CoreNatureDictionary.mini.txt","r"):

        dic.add(line[0:line.find('	')])

    return dic

完全切分

指的是，找出一段文本中的所有单词。

def fully_segment(text, dic):

    word_list = []

    for i in range(len(text)):                  # i 从 0 到text的最后一个字的下标遍历

        for j in range(i + 1, len(text) + 1):   # j 遍历[i + 1, len(text)]区间

            word = text[i:j]                    # 取出连续区间[i, j]对应的字符串

            if word in dic:                     # 如果在词典中，则认为是一个词

                word_list.append(word)

    return word_list

dic = load_dictionary()

print(fully_segment('就读北京大学', dic))

输出：

['就', '就读', '读', '北', '北京', '北京大学', '京', '大', '大学', '学']

输出了所有可能的单词。由于词库中含有单字，所以结果中也出现了一些单字。

正向最长匹配

上面的输出并不是中文分词，我们更需要那种有意义的词语序列，而不是所有出现在词典中的单词所构成的链表。比如，我们希望“北京大学”成为一整个词，而不是“北京 + 大学”之类的碎片。具体来说，就是在以某个下标为起点递增查词的过程中，优先输出更长的单词，这种规则被称为最长匹配算法。从前往后匹配则称为正向最长匹配，反之则称为逆向最长匹配。

def forward_segment(text, dic):

    word_list = []

    i = 0

    while i < len(text):

        longest_word = text[i]                      # 当前扫描位置的单字

        for j in range(i + 1, len(text) + 1):       # 所有可能的结尾

            word = text[i:j]                        # 从当前位置到结尾的连续字符串

            if word in dic:                         # 在词典中

                if len(word) > len(longest_word):   # 并且更长

                    longest_word = word             # 则更优先输出

        word_list.append(longest_word)              # 输出最长词

        i += len(longest_word)                      # 正向扫描

    return word_list

dic = load_dictionary()

print(forward_segment('就读北京大学', dic))

print(forward_segment('研究生命起源', dic))

输出：

['就读', '北京大学']

['研究生', '命', '起源']

第二句话就会产生误差了，我们是需要把“研究”提取出来，结果按照正向最长匹配算法就提取出了“研究生”，所以人们就想出了逆向最长匹配。

逆向最长匹配

def backward_segment(text, dic):

    word_list = []

    i = len(text) - 1

    while i >= 0:                                   # 扫描位置作为终点

        longest_word = text[i]                      # 扫描位置的单字

        for j in range(0, i):                       # 遍历[0, i]区间作为待查询词语的起点

            word = text[j: i + 1]                   # 取出[j, i]区间作为待查询单词

            if word in dic:

                if len(word) > len(longest_word):   # 越长优先级越高

                    longest_word = word

                    break

        word_list.insert(0, longest_word)           # 逆向扫描，所以越先查出的单词在位置上越靠后

        i -= len(longest_word)

    return word_list

dic = load_dictionary()

print(backward_segment('研究生命起源', dic))

print(backward_segment('项目的研究', dic))

输出：

['研究', '生命', '起源']

['项', '目的', '研究']

第一句正确了，但下一句又出错了，可谓拆东墙补西墙。另一些人提出综合两种规则，期待它们取长补短，称为双向最长匹配。

双向最长匹配

这是一种融合两种匹配方法的复杂规则集，流程如下：

同时执行正向和逆向最长匹配，若两者的词数不同，则返回词数更少的那一个。
否则，返回两者中单字更少的那一个。当单字数也相同时，优先返回逆向最长匹配的结果。

def count_single_char(word_list: list):  # 统计单字成词的个数

    return sum(1 for word in word_list if len(word) == 1)

def bidirectional_segment(text, dic):

    f = forward_segment(text, dic)

    b = backward_segment(text, dic)

    if len(f) < len(b):                                  # 词数更少优先级更高

        return f

    elif len(f) > len(b):

        return b

    else:

        if count_single_char(f) < count_single_char(b):  # 单字更少优先级更高

            return f

        else:

            return b                                     # 都相等时逆向匹配优先级更高

print(bidirectional_segment('研究生命起源', dic))

print(bidirectional_segment('项目的研究', dic))

输出：

['研究', '生命', '起源']

['项', '目的', '研究']

通过以上几种切分算法，我们可以做一个对比：

上图显示，双向最长匹配的确在2、3、5这3种情况下选择出了最好的结果，但在4号句子上选择了错误的结果，使得最终正确率 3/6 反而小于逆向最长匹配的 4/6 ，由此，规则系统的脆弱可见一斑。规则集的维护有时是拆东墙补西墙，有时是帮倒忙。

2.4 字典树

匹配算法的瓶颈之一在于如何判断集合(词典)中是否含有字符串。如果用有序集合TreeMap)的话，复杂度是o(logn) ( n是词典大小);如果用散列表( Java的HashMap. Python的dict )的话，账面上的时间复杂度虽然下降了，但内存复杂度却上去了。有没有速度又快、内存又省的数据结构呢？这就是字典树。

什么是字典树

字符串集合常用宇典树(trie树、前缀树)存储，这是一种字符串上的树形数据结构。字典树中每条边都对应一个字，从根节点往下的路径构成一个个字符串。字典树并不直接在节点上存储字符串，而是将词语视作根节点到某节点之间的一条路径，并在终点节点(蓝色) 上做个标记“该节点对应词语的结尾”。字符串就是一条路径，要查询一个单词，只需顺着这条路径从根节点往下走。如果能走到特殊标记的节点，则说明该字符串在集合中，否则说明不存在。一个典型的字典树如下图所示所示。

其中，蓝色标记着该节点是一个词的结尾，数字是人为的编号。按照路径我们可以得到如下表所示：

词语路径

入门 0-1-2

自然 0-3-4

自然人 0-3-4-5

自然语言 0-3-4-6-7

自语 0-3-8

当词典大小为 n 时，虽然最坏情况下字典树的复杂度依然是O(logn) (假设子节点用对数复杂度的数据结构存储，所有词语都是单字)，但它的实际速度比二分查找快。这是因为随着路径的深入，前缀匹配是递进的过程，算法不必比较字符串的前缀。
字典树的实现

由上图可知，每个节点都应该至少知道自己的子节点与对应的边，以及自己是否对应一个词。如果要实现映射而不是集合的话，还需要知道自己对应的值。我们约定用值为None表示节点不对应词语，虽然这样就不能插人值为None的键了，但实现起来更简洁。那么字典树的实现参见项目路径(与书上略有不同，我写的比较简洁)：code/ch02/trie.py

通过debug运行 trie.py 代码，可以观察到 trie 类的字典树结构：

词语	路径
入门	0-1-2
自然	0-3-4
自然人	0-3-4-5
自然语言	0-3-4-6-7
自语	0-3-8

2.5 基于字典树的其它算法

字典树的数据结构在以上的切分算法中已经很快了，但厉害的是作者通过自己的努力改进了基于字典树的算法，把分词速度推向了千万字每秒的级别，这里不一一详细介绍，详情见书，主要按照以下递进关系优化：

首字散列其余二分的字典树
双数组字典树
AC自动机(多模式匹配)
基于双数组字典树的AC自动机

2.6 HanLP的词典分词实现

DoubleArrayTrieSegment

DoubleArrayTrieSegment分词器是对DAT最长匹配的封装，默认加载hanlp.properties中CoreDictionaryPath制定的词典。

from pyhanlp import *

# 不显示词性

HanLP.Config.ShowTermNature = False

# 可传入自定义字典 [dir1, dir2]

segment = DoubleArrayTrieSegment()

# 激活数字和英文识别

segment.enablePartOfSpeechTagging(True)

print(segment.seg("江西鄱阳湖干枯，中国最大淡水湖变成大草原"))

print(segment.seg("上海市虹口区大连西路550号SISU"))

输出：

[江西, 鄱阳湖, 干枯, ，, 中国, 最大, 淡水湖, 变成, 大草原]

[上海市, 虹口区, 大连, 西路, 550, 号, SISU]

去掉停用词

停用词词典文件：data/dictionnary/stopwords.txt

该词典收录了常见的中英文无意义词汇(不含敏感词)，每行一个词。

def load_from_file(path):

    """

    从词典文件加载DoubleArrayTrie

    :param path: 词典路径

    :return: 双数组trie树

    """

    map = JClass('java.util.TreeMap')()  # 创建TreeMap实例

    with open(path) as src:

        for word in src:

            word = word.strip()  # 去掉Python读入的\n

            map[word] = word

    return JClass('com.hankcs.hanlp.collection.trie.DoubleArrayTrie')(map)

## 去掉停用词

def remove_stopwords_termlist(termlist, trie):

    return [term.word for term in termlist if not trie.containsKey(term.word)]

trie = load_from_file('stopwords.txt')

termlist = segment.seg("江西鄱阳湖干枯了，中国最大的淡水湖变成了大草原")

print('去掉停用词前：', termlist)

print('去掉停用词后：', remove_stopwords_termlist(termlist, trie))

输出：

去掉停用词前： [江西, 鄱阳湖, 干枯, 了, ，, 中国, 最大, 的, 淡水湖, 变成, 了, 大草原]

去掉停用词后： ['江西', '鄱阳湖', '干枯', '中国', '最大', '淡水湖', '变成', '大草原']

2.7 GitHub项目

HanLP何晗--《自然语言处理入门》笔记：

https://github.com/NLP-LOVE/Introduction-NLP

项目持续更新中......

章节
第 1 章：新手上路
第 2 章：词典分词
第 3 章：二元语法与中文分词
第 4 章：隐马尔可夫模型与序列标注
第 5 章：感知机分类与序列标注
第 6 章：条件随机场与序列标注
第 7 章：词性标注
第 8 章：命名实体识别
第 9 章：信息抽取
第 10 章：文本聚类
第 11 章：文本分类
第 12 章：依存句法分析
第 13 章：深度学习与自然语言处理