《自然语言处理NPL最大概率分词算法》由会员分享，可在线阅读，更多相关《自然语言处理NPL最大概率分词算法（21页珍藏版）》请在金锄头文库上搜索。
1、NLP 基于最大概率的汉语切分Ytinrete要求：基于最大概率的汉语切分目标：采用最大概率法进行汉语切分。其中：n-gram 用 bigram，平滑方法至少用 Laplace 平滑。输入：接收一个文本，文本名称为：corpus_for_test.txt输出：切分结果文本，其中：切分表示：用一个字节的空格“ ”分隔，如：我们 在 学习 。每个标点符号都单算一个切分单元。输出文件名为：学号.txtBigram 参数训练语料： corpus_for_train.txt注：请严格按此格式输出，以便得到正确评测结果切分性能评价：分切分结果评测 F*100, F=2P*R/(P+R)特别注意:代码雷同问
2、题本次作业最后得分会综合考虑：切分性能、代码、文档等几个方面。第三次作业上交的截止时间：2014 年 1 月 7 日 24:00 1.关于最大概率分词基本思想是：一个待切分的汉字串可能包含多种分词结果，将其中概率最大的作为该字串的分词结果。根据：由于语言的规律性，句子中前面出现的词对后面可能出现的词有很强的预示作用。公式 1：其中 w 表示词， s 表示待切分字符串。公式 2：例如：S：有意见分歧W1: 有/ 意见 / 分歧/W2: 有意/ 见 / 分歧/P(W1)=P(有)P(意见)P(分歧 ) 1.8*10-9P(W2)=P(有意)P(见)P(分歧 ) 1*10-11P(W1) P(W2)
3、所以选择 W1历史信息过长，计算存在困难p(wi|w1w2wi-1)为了便于计算，通常考虑的历史不能太长，一般只考虑前面 n-1 个词构成的历史。即： p(wi|wi-n+1wi-1)1212(|)*()(|) ()(,.,)*.*()i iPSWPWwwPn()iiP在 语 料 库 中 的 出 现 次 数语 料 库 中 的 总 词 数 Nn-gramn 较大时： 提供了更多的语境信息，语境更具区别性。但是，参数个数多、计算代价大、训练语料需要多、参数估计不可靠。n 较小时： 语境信息少，不具区别性。但是，参数个数少、计算代价小、训练语料，无需太多、参数估计可靠。题目要求使用 bigram，即
4、考虑前一个词，即考虑左邻词。左邻词假设对字串从左到右进行扫描，可以得到 w1 ,w2 ,wi-1 wi,等若干候选词，如果wi-1 的尾字跟 wi 的首字邻接，就称 wi-1 为 wi 的左邻词。比如上面例中，候选词“有”就是候选词“意见”的左邻词， “意见”和“见”都是“分歧”的左邻词。字串最左边的词没有左邻词。最佳左邻词如果某个候选词 wi 有若干个左邻词 wj ， wk ,等等，其中累计概率最大的候选词称为 wi 的最佳左邻词。比如候选词“意见”只有一个左邻词“有” ，因此， “有”同时也就是“意见”的最佳左邻词；候选词“分歧”有两个左邻词“意见”和“见” ，其中“意见”的累计概率大于“
5、见”累计概率，因此“意见”是“分歧”的最佳左邻词。数据稀疏问若某 n-gram 在训练语料中没有出现,则该 n-gram 的概率必定是 0。解决的办法是扩大训练语料的规模。但是无论怎样扩大训练语料，都不可能保证所有的词在训练语料中均出现。由于训练样本不足而导致所估计的分布不可靠的问题，称为数据稀疏问题。在 NLP 领域中，数据稀疏问题永远存在，不太可能有一个足够大的训练语料，因为语言中的大部分词都属于低频词。解决办法: 平滑技术 把在训练样本中出现过的事件的概率适当减小。 把减小得到的概率密度分配给训练语料中没有出现过的事件。 这个过程有时也称为 discounting(减值) 。目前已经提出
6、了很多数据平滑技术，如： Add-one 平滑 Add-delta 平滑 Witten-Bell 平滑 Good-Turing 平滑 Church-Gale 平滑 Jelinek-Mercer 平滑 Katz 平滑这里我使用 laplace 平滑Add-one 平滑(Laplace s law)规定任何一个 n-gram 在训练语料至少出现一次（即规定没有出现过的 n-gram 在训练语料中出现了一次） 。没有出现过的 n-gram 的概率不再是 0。2.算法描述1) 对一个待分词的字串 S，按照从左到右的顺序取出全部候选词 w1 ,w2 ,wi-1 wi, wn；2) 到词典中查出每个候选词
7、的概率值 P(wi)，当候选词没有出现时，由 laplace平滑设其概率为 1/(字典数+1)，记录每个候选词的全部左邻词；3) 按照公式 1 计算每个候选词的累计概率，同时比较得到每个候选词的最佳左 邻词；4) 如果当前 wn 是字串 S 的尾词，且累计概率 P(wn)最大， wn 就是 S 的终点词。5) 从 wn 开始，按照从右到左的顺序，依次将每个词的最佳左邻词输出，即为S 的分词结果。3.程序设计整个程序我分为两个阶段，字典生成阶段和分词阶段。(make_dic.cpp)字典生成：目标：输入为训练语料(corpus_for_train.txt)，输出为字典(dic.txt)，字典内容
8、为单词和单词出现在字典中的频率，首行为词典总词数。实现步骤：首先读入训练，通过空格和换行符作为判定，分出单个单词。若单词没有在字典中出现，则将其加入字典，单词自身频数加一，单词总数加一；若单词在字典中出现，则单词自身频数加一。将数据存入 map 中，然后再遍历 map，创建一个输出流，输出为字典文件，数据为具体单词和他的出现概率（自身频数/单词总数） 。(zdgl_fenci.cpp)分词：目标：输入为字典和待切分语料（利用 kill_space 先将老师预先存好的待切分语料的空格和换行删去，成为为切分语料 target.txt） ，输出为切分好的语料（2011211366.txt） 。实现步
9、骤：首先在主函数中，循环取出待切分语料的每个句子，将句子传给分词子程序，分词子程序处理后返回分好的句子，将句子输出到文件，再取下一句，依次循环，直到处理完为止。分词子程序，处理过程分为三步：1.将待切分的句子切成备选的切分词，并放在“单词池”中，切分标准参考一个假定的单词最大长度，程序里面我设置成 20，也就是单词最长 10 个汉字（可以根据词典来决定） ，具体切分我考虑了两种，不同之处体现在对取到的单词（从一个汉字到 10 个汉字遍历地取） ，若不出现在词典中（出现在词典中的肯定会列入） ，第一种做法是只保留单个汉字形成的单词，另一种做法是保留全部的可能性。若采取第一种则效率会有很大的提高，
10、但理论上会降低准确性，第二种虽然能够考虑到所有的情况，但是数据往往是前一种的几十倍，而且对于句子中很多单词都有在词典时，分词结果几乎和前一种相同，如果句子中的所有词都能在词典中时，分词结果就一样了（laplace 平滑使得未出现的概率是最低的，乘积也会最低，所以不会选择未出现的词） ，但会多出几十倍的运算。两种的代码我都写出来了，考虑实际，我觉得第一种比较妥当，第二种我注释起来。2.对“单词池”操作，通过循环的遍历，直到计算出所有的最佳左邻词。3.在“单词池”中找出所有的句尾词，找到概率最大的，再通过左邻词，往回找，直到找到句头词，将这些词用空格分开，返回。4.程序源码：1.kill_spac
11、e.cpp将待切分文本 corpus_for_test.txt 变成不含空格和换行的待切分文本 target.txt#include#include#include #include/*Name: 删除空格 Description: 删除空格 */using namespace std;int main()FILE *f_in, *f_out;/输入输出文件 char ch;f_in=fopen(corpus_for_test.txt, r);f_out=fopen(target.txt, w);ch=getc(f_in);while(EOF!=ch)if( !=ch&n!=ch)putc(c
12、h, f_out);ch=getc(f_in);return 0;2.make_dic.cpp读入训练预料 corpus_for_train.txt 输出词典文件 dic.txt#include#include#include#include#includeusing namespace std;const char *train_text = corpus_for_train.txt;/训练文件 const char *dic_text = dic.txt;/输出词典文件 map dic;/词典表map :iterator dic_it;/map dic_in_text;/testint m
13、ain()FILE *f_in;f_in=fopen(train_text, r);ofstream f_out(dic_text);double rate=0;int count=0;char ch;string word;ch=fgetc(f_in);while(EOF!=ch)if( !=ch&n!=ch)/词的一部分 word.append(1, ch);if(。=word)word.clear();else/单词结束 if( =word|0=word.size()word.clear();ch=fgetc(f_in);continue;dic_it=dic.find(word);if
14、(dic_it!=dic.end()/找到 dic_it-second=dic_it-second+1;word.clear();else/新单词count+;dic.insert(pair(word,1); word.clear();ch=fgetc(f_in);/ if(n=ch)/吸收换行/ ch=fgetc(f_in);f_outfirstsecond)/count;f_outcount_text;string word_text;double rate_text;for(int i=0; iword_text;filerate_text;dic_in_text.insert(pair
15、(word_text,rate_text); file.close();*/return 0;3.zdgl_fenci.cpp读入词典 dic.txt 和带切分文本 target.txt 输出分词结果 2011211366.txt#include#include#include#include#include#include#includeusing namespace std;const char *target = target.txt;/输入文件const char *out_put= 2011211366.txt;/输出文件 const char *dic_text = dic.txt
16、;/输入词典文件 const int max_word=20;/假设一个词最长包括 10 个汉字double laplace ;/laplace 平滑map dic;/词典map :iterator dic_it;typedef struct word_pre/单词池内元素int num;/标记int p_begin;/起始位置int p_end;/结束位置double word_rate;/单词本身概率double plus_rate;/单词累进概率int best;/最佳左邻词string this_word;/词本身word_pre;void dic_init_test(void)/测试用
