自然语言处理NPL 最大概率分词算法

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（.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（可以根据词典来决定

9、），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，我觉得第一种比较妥当，第二

10、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;/输入输出文件 cha

11、r 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 = corpus_for_

12、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.append(1, ch);i

13、f(。=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

14、=dic.begin();while(dic_it!=dic.end()f_outfirstsecond)/count;f_outratecount_text;string word_text;double rate_text;for(int i=0; iword_text;filerate_text;dic_in_text.insert(pair(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.txt#include#include#include

15、#include#include#include#includeusing namespace std;const char *target = target.txt;/输入文件const char *out_put= .txt;/输出文件 const char *dic_text = dic.txt;/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

16、 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int count_text=;laplace = (double)1/(count_text+1);dic.insert(pair(有,0.018); dic.insert(pair(有意,0.0005); dic.insert(pair(意见,0.001); dic.insert(pair(见,

17、0.0002); dic.insert(pair(分歧,0.0001); void dic_init(void)/初始化词典ifstream file(dic_text);int count_text;filecount_text;laplace = (double)1/(count_text+1);string word_text;double rate_text;for(int i=0; iword_text;filerate_text;dic.insert(pair(word_text,rate_text); file.close();string zdgl_fenci(string s

18、entance)/最大概率分词，输入为不带“。”的句子，输出为分好的句子if(sentance.size()=2)return sentance;/单个字直接返回int min=0, max=sentance.size()-1;/单词位置标记/第一步建立单词池vectorword_pool;/单词池int word_pre_num=0;/stackword_link;string temp_word;/第一种方法，对于未出现词，只保存单个字for(int i=0; i=max; i+=2)temp_word.clear();for(int j=i; j=max&jsecond;elsew_pr

19、e.word_rate=laplace;if(0=i)/句头词w_pre.plus_rate=w_pre.word_rate;w_pre.best=0;elsew_pre.best=-1;w_pre.plus_rate=(double) -1;w_pre.p_begin=i;w_pre.p_end=j+1;w_pre.this_word=temp_word;word_pool.push_back(w_pre);/入池/第二种方法，记录所有可能情况/*/严格全部入池for(int i=0; i=max; i+=2)temp_word.clear();for(int j=i; j=max&jsec

20、ond;elsew_pre.word_rate=laplace;if(0=i)w_pre.plus_rate=w_pre.word_rate;w_pre.best=0;elsew_pre.best=-1;w_pre.plus_rate=double(-1);w_pre.p_begin=i;w_pre.p_end=j+1;w_pre.this_word=temp_word;word_pool.push_back(w_pre);/入池*/第二步计算最佳左邻词bool fail=true;/标记while(fail)fail=false;for(int i=0; iword_pool.size();

21、 i+)/遍历整个单词池if(-1=(word_pool.at(i).best)/没有算出左邻词int p_begin_temp=(word_pool.at(i).p_begin;vectorbest_word_temp;/计算最佳左邻词用for(int j=0; jword_pool.size(); j+)/遍历整个单词池if(p_begin_temp=(word_pool.at(j).p_end+1)/再考虑范围内if(-1=(word_pool.at(j).best)/考虑的左邻词本身数据不全fail=true;/标记未完成best_word_temp.clear();break;/跳出

22、循环else/best_word_temp.push_back(j);/记录if(0!=best_word_temp.size()/所有备选项资料完备int max_p=0;/best_word_temp序号for(int k=1; k(word_pool.at(best_word_temp.at(max_p).plus_rate)max_p=k;/记录左邻词和概率(word_pool.at(i).best=best_word_temp.at(max_p);(word_pool.at(i).plus_rate=(word_pool.at(i).word_rate)*(word_pool.at(

23、best_word_temp.at(max_p).plus_rate);/第三步，选出最佳句尾词，并通过最佳左邻词，返回直到句头词。vectorend_word_temp;for(int i =0; iword_pool.size(); i+)if(max=(word_pool.at(i).p_end)/是结尾词end_word_temp.push_back(i);int best_end_word=0;/初始化for(int i=1; i(word_pool.at(end_word_temp.at(best_end_word).plus_rate)best_end_word=i;int po

24、sition=end_word_temp.at(best_end_word);vectorword_complete;while(0!=(word_pool.at(position).p_begin)/往回找word_complete.push_back(word_pool.at(position).this_word);position=(word_pool.at(position).best;word_complete.push_back(word_pool.at(position).this_word);/最后一个/分词完成，每个词都放在word_complete里面 string co

25、mplete;for(int i=word_complete.size()-1; i=0; i-)/用空格分开，拼成成品 complete+=word_complete.at(i);if(0!=i)complete+= ;return complete;/返回 int main()/dic_init_test();/测试用dic_init();FILE *f_in;ofstream f_out(out_put);f_in = fopen(target, r);char ch1=0, ch2=0;string word, sentance, s_complete;ch1=fgetc(f_in);

26、if(EOF=ch1)coutfile id empty;ch2=fgetc(f_in);while(EOF!=ch1&EOF!=ch2)word.append(1, ch1);word.append(1, ch2);if(。=word)/一个句子s_complete.clear();s_complete=zdgl_fenci(sentance);s_complete+= 。 ;/加上“。”f_out0)/防止漏掉最后一句话s_complete.clear();s_complete=zdgl_fenci(sentance);s_complete+= 。 ;/加上“。”f_out0)/防止漏掉最

27、后一句话s_complete.clear();s_complete=zdgl_fenci(sentance);s_complete+= 。 ;/加上“。”f_outs_complete;/输出break;/*测试s_complete=zdgl_fenci(有意见分歧);s_complete+= 。 ;/加上“。”f_outs_complete;/输出*/fclose(f_in);f_out.close();return 0;5.实验总结：由于我的编程能力比较差，所以这个实验对我来说是个极大的挑战，最开始我甚至认为我绝对不能完成这项工作了，但是慢慢来一点一点的写，遇到问题上网查资料，实在不行换一

28、种方法，一点一点的调试，最终还是能写出来了。具体设计实现分次的时候，我完全没有头绪，想过用矩阵，但矩阵在确认最佳左邻词的时候不知道如何，遍历用链表，但是不知道切分点一致时不同的左邻词怎么连上去。网上查到了别人用有向图的做法(见附录)，当时对我来说是极具诱惑力的，但是特别注意里面有一项代码雷同问题，我能查得到的别人也一定查得到吧，我这么想着，所以就放弃了这个念头，还是自己想吧，最后想出了用vector容器并通过遍历来解决，真是不容易。最后是大半夜写完的，程序跑出来我自己都要哭出来了，太不容易了。然后看看结果，第一句话和分词模板没有去掉空格前完全一样，又一次被感动了，看起来算圆满完成了。附录：网上

29、别人做的用有向图最大概率分词/ word.cpp : Defines the entry point for the console application./#include stdafx.h/ mympseg.cpp : 定义控制台应用程序的入口点。#include #include #include #include using namespace std;const int NODENUM=100;/最大节点数map mapWord2Prob;const int MaxWordLength=8;/词的最大长度const int MinWordLength=2;/词的最小长度float

30、probNODENUM;/每个节点的最大累计概率int prevNodeNODENUM;/每个节点的最优前趋节点const string strDelimiter= ;/分词分割符void LoadDict()mapWord2Prob有=0.018;mapWord2Prob有意=0.0005;mapWord2Prob意见=0.001;mapWord2Prob见=0.0002;mapWord2Prob分歧=0.0001;/词作为边struct edgeNodestring termText;/词 int start;/词的开始位置 int end;/词的结束位置 float prob;/词在语料

31、库中出现的频率或者概率 ;/分割位置作为点struct vexNodeint nSegNo; /分割节点编号list linkedlist; /与之相连的链表head;/存储节点信息vexNode adjlistNODENUM;/建立邻接表存储void InitialGraph()int i=0;for(i=0;iNODENUM;i+)adjlisti.nSegNo=i;/插入一条边void InsertEdge(edgeNode & newEdgeNode)int v1=newEdgeNode.end;adjlistv1.linkedlist.push_front(newEdgeNode);

32、/形成切分词图void CreateWordSegGraph(string s)short i=0;short j=0;short len=0;short restlen=0;short n=s.length();float freq=0;string w;for(j=0;jn;j+=2)for(len=2;len=MaxWordLength;len+=2)restlen=n-j;if (len=restlen) / 如果剩余词长度不够长，跳出循环w=s.substr(j,len);elsebreak;if (mapWord2Prob.find(w) != mapWord2Prob.end()

33、freq=mapWord2Probw;elsefreq=100;if(freq != 100)edgeNode stCandidateWord;stCandidateWord.termText=w;stCandidateWord.start=j/MinWordLength;stCandidateWord.end=(j+len)/MinWordLength;stCandidateWb = freq;cout插入一条边 word w freq stCandidateWb start stCandidateWord.start end stCandidateWord.endendl;InsertEdge(stCan