预测分词

预测分词

目录

• 前言
• 加载模型
• 构建词网
• 维特比算法
• 实战

前言

在机器学习中，我们有了训练集的话，就开始预测。预测是指利用模型对句子进行推断的过程。在中文分词任务中也就是利用模型推断分词序列，同时也叫解码。

在HanLP库中，二元语法的解码由ViterbiSegment分词器提供。本篇将详细介绍ViterbiSegment的使用方式

加载模型

在前篇博文中，我们已经得到了训练的一元，二元语法模型。后续的处理肯定会基于这几个文件来处理。所以，我们首先要做的就是加载这些模型到程序中：

if __name__ == "__main__":MODEL_PATH = "123"HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"HanLP.Config.BiGramDictionaryPath = MODEL_PATH + "."CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')TermFrequency("秦机"))BiFrequency("秦机","的"))

运行之后，效果如下：

这里我们使用TermFrequency()方法获取”秦机“的频次。使用BiFrequency()方法获取“秦机 的”的二元语法频次。

构建词网

在前文中我们介绍了符号“末##末“，代表句子结尾，”始##始“代表句子开头。而词网指的是句子中所有一元语法构成的网状结构。比如MSR词典中的“秦机和科技”这个句子，是给定的一元词典。我们将句子中所有单词找出来。得到如下词网：

[始##始]
[秦机]
[]
[和，和科]
[科技]
[技]
[末##末]

对应的此图如下所示：

当然，这里博主只是举例说明词网的概念，“和科”并不是一个单词。

下面，我们来通过方法构建词网。具体代码如下：

def build_wordnet(sent, trie):JString = JClass('java.lang.String')Vertex = JClass('com.hankcs.hanlp.segmon.Vertex')WordNet = JClass('com.hankcs.hanlp.segmon.WordNet')searcher = Searcher(JString(sent), 0)wordnet = WordNet(sent)():wordnet.add(searcher.begin + 1,Vertex(sent[searcher.begin:searcher.begin + searcher.length], searcher.value, searcher.index))# 原子分词，保证图连通vertexes = Vertexes()i = 0while i < len(vertexes):if len(vertexes[i]) == 0:  # 空白行j = i + 1for j in range(i + 1, len(vertexes) - 1):  # 寻找第一个非空行 jif len(vertexes[j]):breakwordnet.add(i, wPunctuationInstance(sent[i - 1: j - 1]))  # 填充[i, j)之间的空白行i = jelse:i += len(vertexes[i][-1].realWord)return wordnetif __name__ == "__main__":MODEL_PATH = "123"HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"HanLP.Config.BiGramDictionaryPath = MODEL_PATH + "."CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')print(build_wordnet("秦机和科技", ie))

运行之后，我们会得到与上图归纳差不多的内容：

维特比算法

如果现在我们赋予上述词图每条边以二元语法的概率作为距离，那么如何求解词图上的最短路径就是一个关键问题。

假设文本长度为n，则一共有2（n-1次方）种切分方式，因为每2个字符间都有2种选择：切或者不切，时间复杂度就为O(2(n-1次方))。显然不切实际，这里我们考虑使用维特比算法。

维特比算法原理：它分为前向和后向两个步骤。

1. 前向：由起点出发从前往后遍历节点，更新从起点到该节点的最下花费以及前驱指针
2. 后向：由终点出发从后往前回溯前驱指针，取得最短路径

维特比算法用python代码的实现如下：

def viterbi(wordnet):nodes = Vertexes()# 前向遍历for i in range(0, len(nodes) - 1):for node in nodes[i]:for to in nodes[i + alWord)]:# 根据距离公式计算节点距离，并维护最短路径上的前驱指针fromto.updateFrom(node)# 后向回溯# 最短路径path = []# 从终点回溯f = nodes[len(nodes) - 1].getFirst()while f:path.insert(0, f)# 按前驱指针from回溯f = f.getFrom()return [v.realWord for v in path]

实战

现在我们来做个测试，我们在msr_test_gold.utf8上训练模型，为秦机和科技常见词图，最后运行维特比算法。详细代码如下所示：

if __name__ == "__main__":MODEL_PATH = "123"corpus_path = r"E:ProgramDataAnaconda3Libsite-packagespyhanlpstaticdatatesticwb2-datagoldmsr_test_gold.utf8"train_model(corpus_path, MODEL_PATH)HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"HanLP.Config.BiGramDictionaryPath = MODEL_PATH + "."CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')ViterbiSegment = JClass('com.hankcs.hanlp.seg.Viterbi.ViterbiSegment')MODEL_PATH = "123"HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"HanLP.Config.BiGramDictionaryPath = MODEL_PATH + "."sent = "秦机和科技"wordnet = build_wordnet(sent, ie)print(viterbi(wordnet))

有的人可能有疑问，因为二元模型里，本身就存在秦机 和
科技这个样本。这么做不是多此一举吗？那好，我们替换sent的文本内容为“北京和广州”，这个样本可不在模型中。运行之后，效果如下：

我们发现依然能正确的分词为[北京 和 广州]，这就是二元语法模型的泛化能力。至此我们走通了语料标注，训练模型，预测分词结果的完整步骤。