HanLP《自然语言处理入门》笔记--2.词典分词

436 阅读9分钟

笔记转载于GitHub项目github.com/NLP-LOVE/In…

2. 词典分词

  • 中文分词:指的是将一段文本拆分为一系列单词的过程,这些单词顺序拼接后等于原文本。
  • 中文分词算法大致分为基于词典规则基于机器学习这两大派。

2.1 什么是词

  • 在基于词典的中文分词中,词的定义要现实得多:词典中的字符串就是词

  • 词的性质--齐夫定律:一个单词的词频与它的词频排名成反比。

2.2 词典

互联网词库(SogouW, 15万个词条)、清华大学开放中文词库(THUOCL)、HanLP词库(千万级词条)

这里以HanLP附带的迷你核心词典为例(本项目路径):data/dictionnary/CoreNatureDictionary.mini.txt

上升	v	98	vn	18
上升期	n	1
上升股	n	1
上午	t	147
上半叶	t	3
上半场	n	2
上半夜	t	1

HanLP中的词典格式是一种以空格分隔的表格形式,第一列是单词本身,之后每两列分别表示词性与相应的词频。

2.3 切分算法

首先,加载词典:

def load_dictionary():
    dic = set()

    # 按行读取字典文件,每行第一个空格之前的字符串提取出来。
    for line in open("CoreNatureDictionary.mini.txt","r"):
        dic.add(line[0:line.find('	')])
    
    return dic
  1. 完全切分

    指的是,找出一段文本中的所有单词。

    def fully_segment(text, dic):
        word_list = []
        for i in range(len(text)):                  # i 从 0 到text的最后一个字的下标遍历
            for j in range(i + 1, len(text) + 1):   # j 遍历[i + 1, len(text)]区间
                word = text[i:j]                    # 取出连续区间[i, j]对应的字符串
                if word in dic:                     # 如果在词典中,则认为是一个词
                    word_list.append(word)
        return word_list
      
    dic = load_dictionary()
    print(fully_segment('就读北京大学', dic))
    

    输出:

    ['就', '就读', '读', '北', '北京', '北京大学', '京', '大', '大学', '学']
    

    输出了所有可能的单词。由于词库中含有单字,所以结果中也出现了一些单字。

  2. 正向最长匹配

    上面的输出并不是中文分词,我们更需要那种有意义的词语序列,而不是所有出现在词典中的单词所构成的链表。比如,我们希望“北京大学”成为一整个词,而不是“北京 + 大学”之类的碎片。具体来说,就是在以某个下标为起点递增查词的过程中,优先输出更长的单词,这种规则被称为最长匹配算法。从前往后匹配则称为正向最长匹配,反之则称为逆向最长匹配

    def forward_segment(text, dic):
        word_list = []
        i = 0
        while i < len(text):
            longest_word = text[i]                      # 当前扫描位置的单字
            for j in range(i + 1, len(text) + 1):       # 所有可能的结尾
                word = text[i:j]                        # 从当前位置到结尾的连续字符串
                if word in dic:                         # 在词典中
                    if len(word) > len(longest_word):   # 并且更长
                        longest_word = word             # 则更优先输出
            word_list.append(longest_word)              # 输出最长词
            i += len(longest_word)                      # 正向扫描
        return word_list
    
    dic = load_dictionary()
    print(forward_segment('就读北京大学', dic))
    print(forward_segment('研究生命起源', dic))
    

    输出:

    ['就读', '北京大学']
    ['研究生', '命', '起源']
    

    第二句话就会产生误差了,我们是需要把“研究”提取出来,结果按照正向最长匹配算法就提取出了“研究生”,所以人们就想出了逆向最长匹配。

  3. 逆向最长匹配

    def backward_segment(text, dic):
        word_list = []
        i = len(text) - 1
        while i >= 0:                                   # 扫描位置作为终点
            longest_word = text[i]                      # 扫描位置的单字
            for j in range(0, i):                       # 遍历[0, i]区间作为待查询词语的起点
                word = text[j: i + 1]                   # 取出[j, i]区间作为待查询单词
                if word in dic:
                    if len(word) > len(longest_word):   # 越长优先级越高
                        longest_word = word
                        break
            word_list.insert(0, longest_word)           # 逆向扫描,所以越先查出的单词在位置上越靠后
            i -= len(longest_word)
        return word_list
    
    dic = load_dictionary()
    print(backward_segment('研究生命起源', dic))
    print(backward_segment('项目的研究', dic))
    

    输出:

    ['研究', '生命', '起源']
    ['项', '目的', '研究']
    

    第一句正确了,但下一句又出错了,可谓拆东墙补西墙。另一些人提出综合两种规则,期待它们取长补短,称为双向最长匹配。

  4. 双向最长匹配

    这是一种融合两种匹配方法的复杂规则集,流程如下:

    • 同时执行正向和逆向最长匹配,若两者的词数不同,则返回词数更少的那一个。
    • 否则,返回两者中单字更少的那一个。当单字数也相同时,优先返回逆向最长匹配的结果。
    def count_single_char(word_list: list):  # 统计单字成词的个数
        return sum(1 for word in word_list if len(word) == 1)
    
    
    def bidirectional_segment(text, dic):
        f = forward_segment(text, dic)
        b = backward_segment(text, dic)
        if len(f) < len(b):                                  # 词数更少优先级更高
            return f
        elif len(f) > len(b):
            return b
        else:
            if count_single_char(f) < count_single_char(b):  # 单字更少优先级更高
                return f
            else:
                return b                                     # 都相等时逆向匹配优先级更高
            
    
    print(bidirectional_segment('研究生命起源', dic))
    print(bidirectional_segment('项目的研究', dic))
    

    输出:

    ['研究', '生命', '起源']
    ['项', '目的', '研究']
    

通过以上几种切分算法,我们可以做一个对比:

上图显示,双向最长匹配的确在2、3、5这3种情况下选择出了最好的结果,但在4号句子上选择了错误的结果,使得最终正确率 3/6 反而小于逆向最长匹配的 4/6 , 由此,规则系统的脆弱可见一斑。规则集的维护有时是拆东墙补西墙,有时是帮倒忙。

2.4 字典树

匹配算法的瓶颈之一在于如何判断集合(词典)中是否含有字符串。如果用有序集合TreeMap)的话,复杂度是o(logn) ( n是词典大小);如果用散列表( Java的HashMap. Python的dict )的话,账面上的时间复杂度虽然下降了,但内存复杂度却上去了。有没有速度又快、内存又省的数据结构呢?这就是字典树

  1. 什么是字典树

    字符串集合常用宇典树(trie树、前缀树)存储,这是一种字符串上的树形数据结构。字典树中每条边都对应一个字, 从根节点往下的路径构成一个个字符串。字典树并不直接在节点上存储字符串, 而是将词语视作根节点到某节点之间的一条路径,并在终点节点(蓝色) 上做个标记“该节点对应词语的结尾”。字符串就是一 条路径,要查询一个单词,只需顺着这条路径从根节点往下走。如果能走到特殊标记的节点,则说明该字符串在集合中,否则说明不存在。一个典型的字典树如下图所示所示。

    其中,蓝色标记着该节点是一个词的结尾,数字是人为的编号。按照路径我们可以得到如下表所示:

    词语 路径
    入门 0-1-2
    自然 0-3-4
    自然人 0-3-4-5
    自然语言 0-3-4-6-7
    自语 0-3-8

    当词典大小为 n 时,虽然最坏情况下字典树的复杂度依然是O(logn) (假设子节点用对数复杂度的数据结构存储,所有词语都是单字),但它的实际速度比二分查找快。这是因为随着路径的深入,前缀匹配是递进的过程,算法不必比较字符串的前缀。

  2. 字典树的实现

    由上图可知,每个节点都应该至少知道自己的子节点与对应的边,以及自己是否对应一个词。如果要实现映射而不是集合的话,还需要知道自己对应的值。我们约定用值为None表示节点不对应词语,虽然这样就不能插人值为None的键了,但实现起来更简洁。那么字典树的实现参见项目路径(与书上略有不同,我写的比较简洁):code/ch02/trie.py

    通过debug运行 trie.py 代码,可以观察到 trie 类的字典树结构:

2.5 基于字典树的其它算法

字典树的数据结构在以上的切分算法中已经很快了,但厉害的是作者通过自己的努力改进了基于字典树的算法,把分词速度推向了千万字每秒的级别,这里不一一详细介绍,详情见书,主要按照以下递进关系优化:

  • 首字散列其余二分的字典树
  • 双数组字典树
  • AC自动机(多模式匹配)
  • 基于双数组字典树的AC自动机

2.6 HanLP的词典分词实现

  1. DoubleArrayTrieSegment

    DoubleArrayTrieSegment分词器是对DAT最长匹配的封装,默认加载hanlp.properties中CoreDictionaryPath制定的词典。

    from pyhanlp import *
    
    # 不显示词性
    HanLP.Config.ShowTermNature = False
    
    # 可传入自定义字典 [dir1, dir2]
    segment = DoubleArrayTrieSegment()
    # 激活数字和英文识别
    segment.enablePartOfSpeechTagging(True)
    
    print(segment.seg("江西鄱阳湖干枯,中国最大淡水湖变成大草原"))
    print(segment.seg("上海市虹口区大连西路550号SISU"))
    

    输出:

    [江西, 鄱阳湖, 干枯, ,, 中国, 最大, 淡水湖, 变成, 大草原]
    [上海市, 虹口区, 大连, 西路, 550, 号, SISU]
    
  2. 去掉停用词

    停用词词典文件:data/dictionnary/stopwords.txt

    该词典收录了常见的中英文无意义词汇(不含敏感词),每行一个词。

    def load_from_file(path):
        """
        从词典文件加载DoubleArrayTrie
        :param path: 词典路径
        :return: 双数组trie树
        """
        map = JClass('java.util.TreeMap')()  # 创建TreeMap实例
        with open(path) as src:
            for word in src:
                word = word.strip()  # 去掉Python读入的\n
                map[word] = word
        return JClass('com.hankcs.hanlp.collection.trie.DoubleArrayTrie')(map)
    
    
    ## 去掉停用词
    def remove_stopwords_termlist(termlist, trie):
        return [term.word for term in termlist if not trie.containsKey(term.word)]
    
    
    trie = load_from_file('stopwords.txt')
    termlist = segment.seg("江西鄱阳湖干枯了,中国最大的淡水湖变成了大草原")
    print('去掉停用词前:', termlist)
    
    print('去掉停用词后:', remove_stopwords_termlist(termlist, trie))
    

    输出:

    去掉停用词前: [江西, 鄱阳湖, 干枯, 了, ,, 中国, 最大, 的, 淡水湖, 变成, 了, 大草原]
    去掉停用词后: ['江西', '鄱阳湖', '干枯', '中国', '最大', '淡水湖', '变成', '大草原']
    

2.7 GitHub项目

HanLP何晗--《自然语言处理入门》笔记:

github.com/NLP-LOVE/In…

项目持续更新中......

目录


章节
第 1 章:新手上路
第 2 章:词典分词
第 3 章:二元语法与中文分词
第 4 章:隐马尔可夫模型与序列标注
第 5 章:感知机分类与序列标注
第 6 章:条件随机场与序列标注
第 7 章:词性标注
第 8 章:命名实体识别
第 9 章:信息抽取
第 10 章:文本聚类
第 11 章:文本分类
第 12 章:依存句法分析
第 13 章:深度学习与自然语言处理