基于统计的中文自动分类研究.doc

基于统计的中文词自动分类研究* 赵石顽 夏莹 马少平 智能技术与系统国家重点实验室 清华大学计算机系100084 E-mail: xia@s1000e.cs.tsinghua.edu.cn Tel: 010一、引 言 基于统计的中文词分类在自然语言处理领域有着重要的应用。机器自动生成的词类可以取代文法的词类；在分类基础上建立的基于类的语言模型可以应用于语音识别、OCR、汉字智能输入等许多领域。众所周知，基于词的语言模型在自然语言处理的许多方面取得了巨大的成功。然而，基于词的语言模型也存在着许多的问题，如参数空间庞大，训练数据不足，数据稀疏等。词的分类可以在一定程度上解决上述问题。在计算语言学方面的应用中，不管是采用统计的方法，还是采用文法的方法，对词类进行处理都比对单个的词进行处理时问题的复杂度要小得多。我们用基于类的语言模型取代基于词的语言模型，可以减小模型的参数空间，减少系统对存储空间的要求。从而可以在小型的系统如掌上电脑、移动电话上建立基于类的语言模型，实现智能输入等。 词的分类是建立基于类的语言模型的基础。无论是针对中文，还是别的语言，人们对词的类算法已经做了许多的研究。 Brown等人提出了两个词的自动分类算法。在他们实现的两个分类算法中，都是利用平均互信息作为评价函数。算法I．(1) 首先将每一个词都当成一个单独的类，然后计算所有相邻类的互信息；(2) 将互信息损失最少的两个类合并；(3) 经过V－C次合并得到C个类；(4) 在得到C个类以后，把词汇表中的每一个词移到一个使得平均互信息最大的类中，重复该步骤直到互信息不再增加为止。然而，他们认为，当词汇表的大小超过5,000时，这个算法是不可行的。算法II．对一个大的词汇表，(1) 将C个频度最高的词作为C个单独的类；(2) 将未被分配的词中频度最高的一个词作为第C+1类，然后将这C＋1个类中互信息损失最wenjian-3少的两个类合并；(3) 经过V－C步后，词汇表中的V个词被分成C个类。用这个方法，一个有260,741个英文单词的词表被分成了1,000类。 Chang和Chen在他们的论文中，以混乱度作为全局最优评价函数，提出了一个模拟退火的词分类算法：(1) 初始化：将每个词随机分配到一个类中，类的总数是事先定义好的。(2) 移动：随机地选取一个词，将该词重新分配到一个随机选取的类中。 (3) 接受或者返回：如果混乱度的改变在控制的范围之内，则接受新的分配，否则，撤销刚才2的操作。(4) 循环：重复上述两个步骤，直到混乱度收敛为止。该算法试图找出一个全局最优的分类方案，但是在训练集比较大的时候，算法的时间复杂度太大。 Gao和Chen提出了一个自顶向下的二叉树分裂的方法，他们利用词的上下文的方向性，同时得到两个分类二叉树。McMahon在他的论文中，提出了一个类似退火的分类算法。李涓子在她的博士论文中，提出了一种聚类的算法。她认为聚类过程主要由三个部分组成：聚类时词分布的描述方法，聚类采用的控制策略以及控制聚类过程的目标函数。她在聚类时是采用自顶向下的方法，词的分布信息用的是词的二元同现关系，利用信息论中的熵作为聚类时的目标函数。 上面描述的自顶向下分裂的方法和从下而上合并的方法，两者具有一定的互补性。在自顶向下的方法中，上层的失误在下层是无法纠正的，而且下层的分类结果精确度较低。因此，在本文中，我们采用自顶向下分裂和从下而上合并相结合的方法。我们使用平均互信息作为分类的全局评估函数，分类过程分为两个步骤，首先，我们采用合并的方法将词表中的一些词聚在一起，形成一些小的词类。在第二个阶段，我们把第一步得到的词类作为一个单独的词来加以考虑，然后采用自顶向下的方法，对整个词表进行分类。在实际的工作中，我们首先对大规模语料文本进行了统计和计算工作，得到词的一元和二元信息，在这个基础上，我们进行了词的分类。 我们对实现的系统进行了一系列实验，实验结果是令人满意的。 本文第二节介绍了我们采用的分类算法，第三节给出了分类的结果及其在基于类的语言模型中的应用，第四节给出了我们的一些结论。 二、中文词分类算法 （一）互信息的计算公式 词分类算法的实现跟采用的评价函数密切相关。本文采用平均互信息作为全局评价函数对汉字进行分类。根据信息学原理，熵的定义如下： 其中是一个离散的随机变量，其概率分布为p(x)，。熵是一个描述随机变量的不确定性的统计量，一个随机变量的熵越大，它的不确定性也就越大。我们通过上面的公式导出两个随机变量之间的互信息公式。 从上面的公式中我们可以看出，在已知的情况下，随机变量的不确定度程度会减小，而两者之间的互信息表明了这个减少的程度。在自然语言中，词类的分布显然也满足随机分布，我们同样可以得到词类的互信息计算公式如下： 其中