大纲

• 中文分词的概念与分类

• 常用分词（规则分词、统计分词、混合分词）技术介绍

• 开源中文分词工具-Jieba

• 实战分词之高频词提取

3.1 中文分词简介

1. 规则分词

   最早兴起，主要通过人工设立词库，按照一定方式进行匹配切分，实现简单高效，但对新词难以处理；

2. 统计分词

   能较好应对新词发现场景，但是太过于依赖于语料质量；

3. 混合分词

   规则分词与统计分词的结合体；

3.2 规则分词

• 定义

  一种机械分词方法，主要通过维护词典，切分语句时，将语句中的每个字符串与词表中的词逐一匹配，找到则切分，否则不切分；

• 分类

  • 正向最大匹配法（Maximum Match Method，MM法）

  1. 基本思想

     假定分词词典中最长词有$i$个汉字字符，则用被处理文档的当前字符串中的前$i$个字作为匹配字段，查找字典；

  2. 算法描述

     • 从左向右取待切分汉语句的$m$个字符作为匹配字段，$m$是机器词典中最长词条的字符数；
     • 查找机器词典并进行匹配。匹配成功则将匹配字段作为一个词切分出来，匹配失败则将匹配字段的最后一个字去掉，剩下的字符串作为新的匹配字段，进行再匹配，一直重复上述过程指导切分出所有词；
  • 逆向最大匹配法（Reverse Maximum Match Method，RMM法）

  1. 基本原理

     从被处理文档末端开始匹配扫描，每次取末端的$i$个字符作为匹配字段，匹配事变则去掉匹配字段最前一个字，继续匹配；

  • 双向最大匹配(Bi-direction Matching Method)

  1. 基本原理

     将正向最大匹配法和逆向最大匹配法得到的分词结果进行比较，庵后按照最大匹配原则，选取词数切分最少的作为结果；

• 相关代码

1. 正向最大匹配

	
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @version : 1.0
# @Time    : 2019-8-25 15:27
# @Author  : cunyu
# @Email   : cunyu1024@foxmail.com
# @Site    : https://cunyu1943.github.io
# @File    : mm.py
# @Software: PyCharm
# @Desc    : 正向最大匹配分词

train_data = './data/train.txt'  # 训练语料
test_data = './data/test.txt'  # 测试语料
result_data = './data/test_sc_zhengxiang.txt'  # 生成结果


def get_dic(train_data):  # 读取文本返回列表
    with open(train_data, 'r', encoding='utf-8', ) as f:
        try:
            file_content = f.read().split()
        finally:
            f.close()
    chars = list(set(file_content))
    return chars


def MM(test_data, result_data, dic):
    # 词的最大长度
    max_length = 5

    h = open(result_data, 'w', encoding='utf-8', )
    with open(test_data, 'r', encoding='utf-8', ) as f:
        lines = f.readlines()

    for line in lines:  # 分别对每行进行正向最大匹配处理
        max_length = 5
        my_list = []
        len_hang = len(line)
        while len_hang > 0:
            tryWord = line[0:max_length]
            while tryWord not in dic:
                if len(tryWord) == 1:
                    break
                tryWord = tryWord[0:len(tryWord) - 1]
            my_list.append(tryWord)
            line = line[len(tryWord):]
            len_hang = len(line)

        for t in my_list:  # 将分词结果写入生成文件
            if t == '\n':
                h.write('\n')
            else:
                print(t)
                h.write(t + "  ")
    h.close()


if __name__ == '__main__':
    print('读入词典')
    dic = get_dic(train_data)
    print('开始匹配')
    MM(test_data, result_data, dic)

2. 逆向最大匹配

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @version : 1.0
# @Time    : 2019-8-25 15:36
# @Author  : cunyu
# @Email   : cunyu1024@foxmail.com
# @Site    : https://cunyu1943.github.io
# @File    : rmm.py
# @Software: PyCharm
# @Desc    : 逆向最大匹配法

train_data = './data/train.txt'
test_data = './data/test.txt'
result_data = './data/test_sc.txt'


def get_dic(train_data):
    with open(train_data, 'r', encoding='utf-8', ) as f:
        try:
            file_content = f.read().split()
        finally:
            f.close()
    chars = list(set(file_content))
    return chars

def RMM(test_data,result_data,dic):
    max_length = 5

    h = open(result_data, 'w', encoding='utf-8', )
    with open(test_data, 'r', encoding='utf-8', ) as f:
        lines = f.readlines()

    for line in lines:
        my_stack = []
        len_hang = len(line)
        while len_hang > 0:
            tryWord = line[-max_length:]
            while tryWord not in dic:
                if len(tryWord) == 1:
                    break
                tryWord = tryWord[1:]
            my_stack.append(tryWord)
            line = line[0:len(line) - len(tryWord)]
            len_hang = len(line)

        while len(my_stack):
            t = my_stack.pop()
            if t == '\n':
                h.write('\n')
            else:
                print(t)
                h.write(t + "  ")

    h.close()


if __name__ == '__main__':
    print('获取字典')
    dic = get_dic(train_data)
    print('开始匹配……')
    RMM(test_data,result_data,dic)

3.3 统计分词

• 主要操作

  • 建立统计语言模型；
  • 对句子进行单词划分，然后对划分结果进行概率计算，获得概率最大额分词方式，常用统计学习算法有隐含马尔可夫（HMM）、条件随机场（CRF）等；

• n元条件概率

$$P(w_i|w_{i-(n-1)},\dots ,w_{i-1})=\frac{count(w_{i-(n-1)},\dots ,w_{i-1},w_i)}{count(w_{i-(n-1)},\dots ,w_{i-1})}$$

其中，$count(w_{i-(n-1)},\dots ,w_{i-1})$表示词$w_{i-(n-1)},\dots ,w_{i-1}$在语料库中出现的总次数；

• HMM模型

  将分词作为字在字串中的序列标注任务来实现。基本思路：每个字在构造一个特定的词语时都占据着一个确定的构词位置（即词位），规定每个字最多有四个构词位置：B（词首）、M（词中）、E（词尾）、S（单独成词）；

1. 数学理论

   假设用$\lambda ={\lambda }_1{\lambda }_2\dots {\lambda }_n$代表输入的句子，$n$表示句子长度，${\lambda }_i$表示字，$o=o_1{o}_2\dots o_n$表示输出的标签，则理想输出为：

$$max=maxP(o=o_1{o}_2\dots o_n|\lambda ={\lambda }_1{\lambda }_2\dots {\lambda }_n)=P(o_1|{\lambda }_1)P(o_2|{\lambda }_2)\dots P(o_n|{\lambda }_n)$$

在这个算法中，求解结果的常用方法是Veterbi算法，这是一种动态规划算法，核心是：如果最终的最优路径经过某个节点$o_i$，则从初始节点到$o_{i-1}$点的路径必然也是一个最优路径，因为每个节点$o_i$只会影响前后两个$P(o_{i-1}|o_i)$和$P(o_i|o_{i+1})$；

2. Python实现

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @version : 1.0
# @Time    : 2019-8-27 15:42
# @Author  : cunyu
# @Email   : cunyu1024@foxmail.com
# @Site    : https://cunyu1943.github.io
# @File    : HMM_model.py
# @Software: PyCharm
# @Desc    : HMM模型分词

import os
import pickle


class HMM(object):
    def __init__(self):
        import os

        # 主要是用于存取算法中间结果，不用每次都训练模型
        self.model_file = './data/models/hmm_model.pkl'

        # 状态值集合
        self.state_list = ['B', 'M', 'E', 'S']
        # 参数加载,用于判断是否需要重新加载model_file
        self.load_para = False

    # 用于加载已计算的中间结果，当需要重新训练时，需初始化清空结果
    def try_load_model(self, trained):
        if trained:
            import pickle
            with open(self.model_file, 'rb') as f:
                self.A_dic = pickle.load(f)
                self.B_dic = pickle.load(f)
                self.Pi_dic = pickle.load(f)
                self.load_para = True

        else:
            # 状态转移概率（状态->状态的条件概率）
            self.A_dic = {}
            # 发射概率（状态->词语的条件概率）
            self.B_dic = {}
            # 状态的初始概率
            self.Pi_dic = {}
            self.load_para = False

    # 计算转移概率、发射概率以及初始概率
    def train(self, path):

        # 重置几个概率矩阵
        self.try_load_model(False)

        # 统计状态出现次数，求p(o)
        Count_dic = {}

        # 初始化参数
        def init_parameters():
            for state in self.state_list:
                self.A_dic[state] = {s: 0.0 for s in self.state_list}
                self.Pi_dic[state] = 0.0
                self.B_dic[state] = {}

                Count_dic[state] = 0

        def makeLabel(text):
            out_text = []
            if len(text) == 1:
                out_text.append('S')
            else:
                out_text += ['B'] + ['M'] * (len(text) - 2) + ['E']

            return out_text

        init_parameters()
        line_num = -1
        # 观察者集合，主要是字以及标点等
        words = set()
        with open(path, encoding='utf8') as f:
            for line in f:
                line_num += 1
                print(line)

                line = line.strip()
                if not line:
                    continue

                word_list = [i for i in line if i != ' ']
                words |= set(word_list)  # 更新字的集合

                linelist = line.split()

                line_state = []
                for w in linelist:
                    line_state.extend(makeLabel(w))

                assert len(word_list) == len(line_state)

                for k, v in enumerate(line_state):
                    Count_dic[v] += 1
                    if k == 0:
                        self.Pi_dic[v] += 1  # 每个句子的第一个字的状态，用于计算初始状态概率
                    else:
                        self.A_dic[line_state[k - 1]][v] += 1  # 计算转移概率
                        self.B_dic[line_state[k]][word_list[k]] = \
                            self.B_dic[line_state[k]].get(word_list[k], 0) + 1.0  # 计算发射概率

        self.Pi_dic = {k: v * 1.0 / line_num for k, v in self.Pi_dic.items()}
        self.A_dic = {k: {k1: v1 / Count_dic[k] for k1, v1 in v.items()}
                      for k, v in self.A_dic.items()}
        # 加1平滑
        self.B_dic = {k: {k1: (v1 + 1) / Count_dic[k] for k1, v1 in v.items()}
                      for k, v in self.B_dic.items()}
        # 序列化
        import pickle
        with open(self.model_file, 'wb') as f:
            pickle.dump(self.A_dic, f)
            pickle.dump(self.B_dic, f)
            pickle.dump(self.Pi_dic, f)

        return self

    def viterbi(self, text, states, start_p, trans_p, emit_p):
        V = [{}]
        path = {}
        for y in states:
            V[0][y] = start_p[y] * emit_p[y].get(text[0], 0)
            path[y] = [y]
        for t in range(1, len(text)):
            V.append({})
            newpath = {}

            # 检验训练的发射概率矩阵中是否有该字
            neverSeen = text[t] not in emit_p['S'].keys() and \
                        text[t] not in emit_p['M'].keys() and \
                        text[t] not in emit_p['E'].keys() and \
                        text[t] not in emit_p['B'].keys()
            for y in states:
                emitP = emit_p[y].get(text[t], 0) if not neverSeen else 1.0  # 设置未知字单独成词
                (prob, state) = max(
                    [(V[t - 1][y0] * trans_p[y0].get(y, 0) *
                      emitP, y0)
                     for y0 in states if V[t - 1][y0] > 0])
                V[t][y] = prob
                newpath[y] = path[state] + [y]
            path = newpath

        if emit_p['M'].get(text[-1], 0) > emit_p['S'].get(text[-1], 0):
            (prob, state) = max([(V[len(text) - 1][y], y) for y in ('E', 'M')])
        else:
            (prob, state) = max([(V[len(text) - 1][y], y) for y in states])

        return (prob, path[state])

    def cut(self, text):
        import os
        if not self.load_para:
            self.try_load_model(os.path.exists(self.model_file))
        prob, pos_list = self.viterbi(text, self.state_list, self.Pi_dic, self.A_dic, self.B_dic)
        begin, next = 0, 0
        for i, char in enumerate(text):
            pos = pos_list[i]
            if pos == 'B':
                begin = i
            elif pos == 'E':
                yield text[begin: i + 1]
                next = i + 1
            elif pos == 'S':
                yield char
                next = i + 1
        if next < len(text):
            yield text[next:]

if __name__ == '__main__':
    hmm = HMM()
    hmm.train('./data/trainCorpus.txt_utf8')
    print('训练完成')
    text = input('输入一个句子：')
    result = hmm.cut(text)
    print(str(list(result)))

• 其他统计分词算法

  • 条件随机场（CRF）
  • 神经网络分词算法（CNN、LSTM）

3.5 中文分词工具——Jieba

• 使用Jieba的优点

  • 社区活跃
  • 功能丰富
  • 使用简单
  • 提供多种编程语言实现

• 官网地址

• 简介

  结合基于规则和统计的两类方法，首先基于前缀词典（指词典中的词按照前缀包含的顺序排列）进行词图扫描，从而形成一种层级包含结构。这样可以快速构建包含全部可能分词结果的有向无环图，图中包含多条分词路径，有向指全部路径都始于第一个字、止于最后一个字，而无环则指节点间不构成闭环。基于标注语料，使用动态规划方法找出最大概率路径并将其作为最终分词结果。而对于OOV，则使用基于汉字成词的HMM模型，采用Viterbi算法进行推导。

• 三种分词模式

  • 精确模式：试图将句子最精确的切分，适合文本分析；
  • 全模式：将句子中所有可以成词的词语都扫描出来，速度快，但存在歧义问题；
  • 搜索引擎模式：在精确模式的基础上，多长词再切分，提高召回率，适用于搜索引擎分词；

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @version : 1.0
# @Time    : 2019-8-26 21:33
# @Author  : cunyu
# @Email   : cunyu1024@foxmail.com
# @Site    : https://cunyu1943.github.io
# @File    : jieba_demo.py
# @Software: PyCharm
# @Desc    : jieba简单使用

# 三种模式对比

import jieba
sent = '中文分词是文本处理中不可获取的一步！'

seg_list = jieba.cut(sent,cut_all=True)
print('全模式: ', '/'.join(seg_list))

seg_list = jieba.cut(sent,cut_all=False)
print('精确模式: ', '/'.join(seg_list))

seg_list = jieba.cut_for_search(sent)
print('搜索引擎模式: ', '/'.join(seg_list))

• 高频词提取

  高频词指文档中出现频率较高且非无用的词语，在一定程度上代表了文档的焦点所在，主要有以下干扰：

  • 标点符号
  • 停用词

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @version : 1.0
# @Time    : 2019-8-27 9:16
# @Author  : cunyu
# @Email   : cunyu1024@foxmail.com
# @Site    : https://cunyu1943.github.io
# @File    : keyWords.py
# @Software: PyCharm
# @Desc    : 关键词抽取

import glob
import random
import jieba

# 读取文件
def get_content(path):
    with open(path, 'r', encoding='gbk', errors='ignore') as f:
        content = ''
        for l in f:
            l = l.strip()
            content += l
        return content

# 获取高频词
def get_TF(words, topK=10):
    tf_dic = {}
    for w in words:
        tf_dic[w] = tf_dic.get(w, 0) + 1
    return sorted(tf_dic.items(), key=lambda x: x[1], reverse=True)[:topK]

# 加载停用词
def stop_words(path):
    with open(path) as f:
        return [l.strip() for l in f]

# 分词
def main(path,stop_words_path):

    files = glob.glob(path)
    corpus = [get_content(x) for x in files[:5]]
    # 随机产生一个随机数（小于总的长度）个样本，然后对这几个样本进行提取高频词操作
    sample_inxs = random.randint(0, len(corpus))
    for sample_inx in range(sample_inxs):
        split_words = [x for x in jieba.cut(corpus[sample_inx]) if x not in stop_words(stop_words_path)]
        print('样本之一：' + corpus[sample_inx])
        print('样本分词效果：' + '/ '.join(split_words))
        print('样本的topK（10）词：' + str(get_TF(split_words)))

if __name__ == '__main__':
    path = './data/news/C000010/*.txt'
    stop_words_path='./data/stop_words.utf8'
    main(path, stop_words_path)