这里的歧义是指:同样的一句话,可能有两种或者更多的切分方法,这些切分结果,有的正确,有的不正确。
消除歧义的目的就是从切分结果中挑选切分正确的。
假设我们要切分句子:结婚的和尚未结婚的,使用逆向最大匹配和正向最大匹配算法的结果如下:
逆向最大匹配:[结婚, 的, 和, 尚未, 结婚, 的]
正向最大匹配:[结婚, 的, 和尚, 未结, 婚, 的]
再比如,这几块地面积还真不小:
逆向最大匹配:[这, 几块, 地, 面积, 还真, 不小]
正向最大匹配:[这, 几块, 地面, 积, 还真, 不小]
这里就出现了歧义现象,这种歧义现象称为交集型歧义。
交集型歧义的特点是,其中的一个字既可以和前面的字结合成词,也可以和后面的字结合成词,如上面所说的“和尚未"中尚就是这样的字,既可以和前面的字结合成“和尚”也可以和后面的字结合成“尚未”。还有“地面积”中的面,既可以是地面,也可以是面积。
那么我们该选择哪一个分词结果呢?
我们可以利用ngram模型来消除歧义,我们看第一个例子的分词过程:
初始化bigram
bigram初始化完毕,bigram数据条数:1519443
利用bigram为逆向最大匹配算法的分词结果进行评分:
二元模型 结婚:的 获得分值:16.970562
二元模型 和:尚未 获得分值:2.0
二元模型 尚未:结婚 获得分值:1.4142135
二元模型 结婚:的 获得分值:16.970562
逆向最大匹配:[结婚, 的, 和, 尚未, 结婚, 的] : ngram分值=37.35534
利用bigram为正向最大匹配算法的分词结果进行评分:
二元模型 结婚:的 获得分值:16.970562
二元模型 的:和尚 获得分值:3.0
正向最大匹配:[结婚, 的, 和尚, 未结, 婚, 的] : ngram分值=19.970562
最大分值:37.35534, 消歧结果:[结婚, 的, 和, 尚未, 结婚, 的]
接着看第二个例子:
利用bigram为逆向最大匹配算法的分词结果进行评分:
二元模型 地:面积 获得分值:1.7320508
逆向最大匹配:[这, 几块, 地, 面积, 还真, 不小] : ngram分值=1.7320508
利用bigram为正向最大匹配算法的分词结果进行评分:
正向最大匹配:[这, 几块, 地面, 积, 还真, 不小] : ngram分值=0.0
最大分值:1.7320508, 消歧结果:[这, 几块, 地, 面积, 还真, 不小]
这里要解释的是,ngram中的n>1,我们这里取2(bi),我们看到bigram中数据的条数有1519443,bigram需要从人工标注的语料库中提取,提取方法参考word分词项目,bigram中的数据格式如下:
结婚:登记 91
结婚:的 288
地:面积 3
和:尚未 4
尚未:结婚 2
的:和尚 9
表示的含义是在人工标注的语料库中,结婚这个词后面跟着登记这个词的出现次数是91次,结婚这个词后面跟着的这个词的出现次数是288次。
如果ngram中的n为3,则数据格式如下:
结婚:的:事情 3
结婚:的:人 4
结婚:的:信念 2
结婚:的:决定 13
表示的含义和bigram一致。
通过分析bigram和trigram,我们知道,在ngram中,n越大,消歧的效果就越好,但是数据也越大,耗费的内存就更多了。
利用ngram模型来消除歧义,依赖人工标注的语料库,利用了统计学的大数定律,这种方法的缺点在于无法处理少见的语言现象,以及无法处理样本覆盖不到的情况。
引用来自“清风-蓝魔泪”的评论
南京市/长江大桥 or 南京市长/江大桥以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
引用来自“杨尚川”的评论
这2个概率统计出来是不一样的。语料库中的词是人工分好的。引用来自“清风-蓝魔泪”的评论
人工统计,比如出现“南京市”的时候,有50次出现了“长江大桥”。很明显,前者出现且后者出现的情况,就是“南京市长江大桥”这个短句出现了50次。而这个短句出现50次的情况下,也代表着“南京市长”出现的时候,“江大桥”出现了50次。这在Ngram里面得到的概率是一样的吧,为什么会不一样呢?引用来自“杨尚川”的评论
不一样,因为ngram的语料是人工标注的,所以,只有"南京市 长江大桥",而不会有"南京市长 江大桥"。引用来自“清风-蓝魔泪”的评论
但语料库这种,XX词后面出现YY词出现了多少次,这种最终还是应该靠机器来训练的吧。如果用ML来做,会出现这种情况吗?ML咋弄的哩😆引用来自“清风-蓝魔泪”的评论
南京市/长江大桥 or 南京市长/江大桥以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
引用来自“杨尚川”的评论
这2个概率统计出来是不一样的。语料库中的词是人工分好的。引用来自“清风-蓝魔泪”的评论
人工统计,比如出现“南京市”的时候,有50次出现了“长江大桥”。很明显,前者出现且后者出现的情况,就是“南京市长江大桥”这个短句出现了50次。而这个短句出现50次的情况下,也代表着“南京市长”出现的时候,“江大桥”出现了50次。这在Ngram里面得到的概率是一样的吧,为什么会不一样呢?引用来自“杨尚川”的评论
不一样,因为ngram的语料是人工标注的,所以,只有"南京市 长江大桥",而不会有"南京市长 江大桥"。引用来自“清风-蓝魔泪”的评论
南京市/长江大桥 or 南京市长/江大桥以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
引用来自“杨尚川”的评论
这2个概率统计出来是不一样的。语料库中的词是人工分好的。引用来自“清风-蓝魔泪”的评论
人工统计,比如出现“南京市”的时候,有50次出现了“长江大桥”。很明显,前者出现且后者出现的情况,就是“南京市长江大桥”这个短句出现了50次。而这个短句出现50次的情况下,也代表着“南京市长”出现的时候,“江大桥”出现了50次。这在Ngram里面得到的概率是一样的吧,为什么会不一样呢?引用来自“清风-蓝魔泪”的评论
南京市/长江大桥 or 南京市长/江大桥以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
引用来自“杨尚川”的评论
这2个概率统计出来是不一样的。语料库中的词是人工分好的。引用来自“清风-蓝魔泪”的评论
南京市/长江大桥 or 南京市长/江大桥以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
以哪种方式来分词,取决于语料库。比如“南京市”后面出现“长江大桥”概率是多少,“南京市长”后面出现“江大桥”概率是多少。
但问题是,语料库如果来统计的话,这2个概率统计出来其实是一样的。前者发生了多少次,后者就发生了多少次。
那这种情况,Ngram是怎么知道应该怎么分词的呢?
引用来自“清风-蓝魔泪”的评论
有几点不明白,还望川哥指点(最近在钻研川哥的分词,感觉受益匪浅)逆向最大匹配:[结婚, 的, 和, 尚未, 结婚, 的] : ngram分值=37.35534
1.算对应关系的时候,“结婚:的”算了一次,“和:尚未”算了一次,是这样按顺序2个2个算吗,需不需要“的:和”也算一次?如果是bigram,而分出来了3个词,[A,B,C],那算分数的时候,是按照“A:B”来算,还是“B:C”来算?
2.二元模型 结婚:的 获得分值:16.970562,这个分值是怎么算出来的,词典中,只有一个出现次数,是再比上一个什么数字吗?
3.汉字有几个千个字,其中单字,二字,三字,四字都可成词,如果要算某个词之后接哪个词更合适,那这个数据岂不是非常庞大?我看bigram.txt有几千万行,我觉得也只是一部分。那这里的数据是不是不应该存文件?(因为一段时间也需要做更新),这么大的数据,怎么拿来用的,全部放到内存里面,然后搜索吗?
2、将日志级别调为DEBUG,运行如下代码,在日志中就能看到计算过程:
代码:
public static void main(String[] args){
String text = "结婚的和尚未结婚的";
ReverseMaximumMatching m = new ReverseMaximumMatching();
List words = m.seg(text);
float score = Bigram.bigram(words);
System.out.println("逆向最大匹配:"+words+" : ngram分值="+score);
}
日志:
二元模型 结婚:的 获得分值:0.024159048
二元模型 和:尚未 获得分值:3.355423E-4
二元模型 尚未:结婚 获得分值:1.6777116E-4
二元模型 结婚:的 获得分值:0.024159048
0.024159048+0.0003355423+0.00016777116+0.024159048=0.04882140946
逆向最大匹配:[结婚, 的, 和, 尚未, 结婚, 的] : ngram分值=0.04882141
3、不是所有汉字的可能组合,而是从人工标注的语料库中提取,所以能做到在相对小的规模下有比较好的效果。因为要考虑分词的速度,所以要全部加载到内存。
逆向最大匹配:[结婚, 的, 和, 尚未, 结婚, 的] : ngram分值=37.35534
1.算对应关系的时候,“结婚:的”算了一次,“和:尚未”算了一次,是这样按顺序2个2个算吗,需不需要“的:和”也算一次?如果是bigram,而分出来了3个词,[A,B,C],那算分数的时候,是按照“A:B”来算,还是“B:C”来算?
2.二元模型 结婚:的 获得分值:16.970562,这个分值是怎么算出来的,词典中,只有一个出现次数,是再比上一个什么数字吗?
3.汉字有几个千个字,其中单字,二字,三字,四字都可成词,如果要算某个词之后接哪个词更合适,那这个数据岂不是非常庞大?我看bigram.txt有几千万行,我觉得也只是一部分。那这里的数据是不是不应该存文件?(因为一段时间也需要做更新),这么大的数据,怎么拿来用的,全部放到内存里面,然后搜索吗?
引用来自“ZHAOXJMAIL”的评论
最近也在学习这方面知识,谢谢!