from : http://www.cnblogs.com/pinard/p/6677078.html
在做文本挖掘的時候,首先要做的預處理就是分詞。英文單詞天然有空格隔開容易按照空格分詞,但是也有時候需要把多個單詞做爲一個分詞,比如一些名詞如“New York”,需要做爲一個詞看待。而中文由於沒有空格,分詞就是一個需要專門去解決的問題了。無論是英文還是中文,分詞的原理都是類似的,本文就對文本挖掘時的分詞原理做一個總結。
1. 分詞的基本原理
現代分詞都是基於統計的分詞,而統計的樣本內容來自於一些標準的語料庫。假如有一個句子:“小明來到荔灣區”,我們期望語料庫統計後分詞的結果是:"小明/來到/荔灣/區",而不是“小明/來到/荔/灣區”。那麼如何做到這一點呢?
從統計的角度,我們期望"小明/來到/荔灣/區"這個分詞後句子出現的概率要比“小明/來到/荔/灣區”大。如果用數學的語言來說說,如果有一個句子
其中下標
但是我們的概率分佈
在前面我們講MCMC採樣時,也用到了相同的假設來簡化模型複雜度。使用了馬爾科夫假設,則我們的聯合分佈就好求了,即:
而通過我們的標準語料庫,我們可以近似的計算出所有的分詞之間的二元條件概率,比如任意兩個詞
其中
利用語料庫建立的統計概率,對於一個新的句子,我們就可以通過計算各種分詞方法對應的聯合分佈概率,找到最大概率對應的分詞方法,即爲最優分詞。
2. N元模型
當然,你會說,只依賴於前一個詞太武斷了,我們能不能依賴於前兩個詞呢?即:
這樣也是可以的,只不過這樣聯合分佈的計算量就大大增加了。我們一般稱只依賴於前一個詞的模型爲二元模型(Bi-Gram model),而依賴於前兩個詞的模型爲三元模型。以此類推,我們可以建立四元模型,五元模型,...一直到通用的
在實際應用中,
3. 維特比算法與分詞
爲了簡化原理描述,我們本節的討論都是以二元模型爲基礎。
對於一個有很多分詞可能的長句子,我們當然可以用暴力方法去計算出所有的分詞可能的概率,再找出最優分詞方法。但是用維特比算法可以大大簡化求出最優分詞的時間。
大家一般知道維特比算法是用於隱式馬爾科夫模型HMM解碼算法的,但是它是一個通用的求序列最短路徑的方法,不光可以用於HMM,也可以用於其他的序列最短路徑算法,比如最優分詞。
維特比算法採用的是動態規劃來解決這個最優分詞問題的,動態規劃要求局部路徑也是最優路徑的一部分,很顯然我們的問題是成立的。首先我們看一個簡單的分詞例子:"人生如夢境"。它的可能分詞可以用下面的概率圖表示:
圖中的箭頭爲通過統計語料庫而得到的對應的各分詞條件概率。比如P(生|人)=0.17。有了這個圖,維特比算法需要找到從Start到End之間的一條最短路徑。對於在End之前的任意一個當前局部節點,我們需要得到到達該節點的最大概率
我們先用這個例子來觀察維特比算法的過程。首先我們初始化有:
對於節點"生",它只有一個前向節點,因此有:
對於節點"如",就稍微複雜一點了,因爲它有多個前向節點,我們要計算出到“如”概率最大的路徑:
類似的方法可以用於其他節點如下:
最後我們看看最終節點End:
由於最後的最優解爲“夢境”,現在我們開始用
從而最終的分詞結果爲"人生/如/夢境"。是不是很簡單呢。
由於維特比算法我會在後面講隱式馬爾科夫模型HMM解碼算法時詳細解釋,這裏就不歸納了。
4. 常用分詞工具
對於文本挖掘中需要的分詞功能,一般我們會用現有的工具。簡單的英文分詞不需要任何工具,通過空格和標點符號就可以分詞了,而進一步的英文分詞推薦使用nltk。對於中文分詞,則推薦用結巴分詞(jieba)。這些工具使用都很簡單。你的分詞沒有特別的需求直接使用這些分詞工具就可以了。
5. 結語
分詞是文本挖掘的預處理的重要的一步,分詞完成後,我們可以繼續做一些其他的特徵工程,比如向量化(vectorize),TF-IDF以及Hash trick,這些我們後面再講。
(歡迎轉載,轉載請註明出處。歡迎溝通交流: [email protected])