一种利用ngram模型来消除歧义的中文分词方法

原创
2015/05/06 04:43
阅读数 2W

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,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。


展开阅读全文
打赏
1
22 收藏
分享
加载中
杨尚川博主

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😆
需要人来做,机器做不了。
2018/02/13 10:27
回复
举报

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"。
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😆
2018/02/12 16:47
回复
举报
杨尚川博主

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?
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"。
2018/02/12 11:38
回复
举报

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。
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?
2018/02/12 09:33
回复
举报
杨尚川博主

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?
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。
2018/02/11 21:46
回复
举报
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?
2018/02/11 19:57
回复
举报
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?
2018/02/11 19:56
回复
举报
杨尚川博主

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?
1、需要,AB、BC都算。
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。
2017/01/18 00:55
回复
举报
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?
2017/01/16 18:46
回复
举报
杨尚川博主

引用来自“ZHAOXJMAIL”的评论

最近也在学习这方面知识,谢谢!
Not at all.
2015/05/08 22:50
回复
举报
更多评论
打赏
14 评论
22 收藏
1
分享
返回顶部
顶部