自然语言处NPL 最大概率分词算法.doc

NLP基于最大概率的汉语切分 Ytinrete 要求： 基于最大概率的汉语切分 目标：采用最大概率法进行汉语切分。 其中：n-gram用bigram，平滑方法至少用Laplace平滑。 输入：接收一个文本，文本名称为：corpus_for_test.txt 输出：切分结果文本， 其中：切分表示：用一个字节的空格“ ”分隔，如：我们 在 学习 。 每个标点符号都单算一个切分单元。 输出文件名为：学号.txt Bigram参数训练语料：corpus_for_train.txt 注：请严格按此格式输出，以便得到正确评测结果 切分性能评价： 分 切分结果评测 F*100, F=2P*R/(P+R) 特别注意:代码雷同问题 本次作业最后得分会综合考虑：切分性能、代码、文档等几个方面。 第三次作业上交的截止时间：2014 年1月7日24:00 1.关于最大概率分词 基本思想是： 一个待切分的汉字串可能包含多种分词结果，将其中概率最大的作为该字串的分词结果。 根据： 由于语言的规律性，句子中前面出现的词对后面可能出现的词有很强的预示作用。 公式1： 其中 w表示词， s表示待切分字符串。 公式2： 例如： S：有意见分歧 W1: 有/ 意见/ 分歧/ W2: 有意/ 见/ 分歧/ P(W1)=P(有)×P(意见)×P(分歧) ＝1.8*10-9 P(W2)=P(有意)×P(见)×P(分歧) ＝1*10-11 P(W1) P(W2) 所以选择 W1 历史信息过长，计算存在困难 p(wi|w1w2…wi-1) 为了便于计算，通常考虑的历史不能太长，一般只考虑前面n-1个词构成的历史。 即： p(wi|wi-n+1…wi-1) n-gram n 较大时： ?? 提供了更多的语境信息，语境更具区别性。但是，参数个数多、计算代价大、训练语料需要多、参数估计不可靠。 n 较小时： ?? 语境信息少，不具区别性。但是，参数个数少、计算代价小、训练语料，无需太多、参数估计可靠。 题目要求使用bigram，即考虑前一个词，即考虑左邻词。 左邻词 假设对字串从左到右进行扫描，可以得到w1 ,w2 ,…,wi-1 wi,…等若干候选词，如果wi-1 的尾字跟wi 的首字邻接，就称wi-1 为wi 的左邻词。比如上面例中，候选词“有”就是候选词“意见”的左邻词，“意见”和“见”都是“分歧”的左邻词。字串最左边的词没有左邻词。 最佳左邻词 如果某个候选词wi 有若干个左邻词wj ， wk ,…等等，其中累计概率最大的候选词称为wi 的最佳左邻词。比如候选词“意见”只有一个左邻词“有”，因此，“有”同时也就是“意见”的最佳左邻词；候选词“分歧”有两个左邻词“意见”和“见”，其中“意见”的累计概率大于“见”累计概率，因此“意见”是“分歧”的最佳左邻词。 数据稀疏问 若某n-gram在训练语料中没有出现,则该n-gram的概率必定是0。解决的办法是扩大训练语料的规模。但是无论怎样扩大训练语料，都不可能保证所有的词在训练语料中均出现。由于训练样本不足而导致所估计的分布不可靠的问题，称为数据稀疏问题。在NLP领域中，数据稀疏问题永远存在，不太可能有一个足够大的训练语料，因为语言中的大部分词都属于低频词。 解决办法: 平滑技术 ?? 把在训练样本中出现过的事件的概率适当减小。 ?? 把减小得到的概率密度分配给训练语料中没有出现过的事件。 ?? 这个过程有时也称为discounting(减值)。 目前已经提出了很多数据平滑技术，如： ?? Add-one 平滑 ?? Add-delta 平滑 ?? Witten-Bell平滑 ?? Good-Turing平滑 ?? Church-Gale平滑 ?? Jelinek-Mercer平滑 ?? Katz平滑 这里我使用laplace平滑 Add-one 平滑(Laplace’s law) 规定任何一个n-gram在训练语料至少出现一次（即规定没有出现过的n-gram在训练语料中出现了一次）。 没有出现过的n-gram的概率不再是0。 2.算法描述 1) 对一个待分词的字串S，按照从左到右的顺序取出全部候选词w1 ,w2 ,…,wi-1 wi,… wn； 到词典中查出每个候选词的概率值P(wi)，当候选词没有出现时，由laplace 平滑设其概率为1/(字典数+1)，记录每个候选词的全部左邻词； 按照公式1计算每个候选词的累计概率，同时比较得到每个候选词的最佳左 邻词； 如果当前wn是字串S的尾词，且累计概率P’(wn)最大， wn就是S的终 点词。 从wn开始，按照从右到左的顺序，依次将每个词的最佳左邻词输出，即为 S的分词结果。 程序设计 整个程序我分为两个阶段，字典生成阶段和分词阶段。