自然语言处理NPL 最大概率分词算法

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.txt

Bigram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

特别注意:代码雷同问题

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*10-9

P(W2)=P(有意)×P(见)×P(分歧) ＝1*10-11

P(W1)> P(W2)

所以选择 W1

历史信息过长，计算存在困难

p(wi|w1w2…wi-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+1…wi-1)

1212(|)*()(|)()()()(,,...,)()*()*...*()i i

P S W P W P W S P W P S P W P w w w P w P w P w =≈=≈n ()i

i w P w =在语料库中的出现次数语料库中的总词数N

n-gram

n 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，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-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）。