《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（7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:代码雷同问题本次作业最
2、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)所以选择 W1历史信息过长,计算存在困
3、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)n-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,
4、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“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
5、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-o
6、ne 平滑(Laplaces 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
7、) 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
8、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
9、（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,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
10、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_space.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;/
11、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(ch, 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 = c
12、orpus_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;/test int main()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.appen
13、d(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(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_outcountendl;dic_it=dic.begin();while(dic_it!=dic.end()f_outfirstsecond)/count;f_outrateendl;dic_it+;f_out.
