基于互信息改进算法的新词发现对中文分词系统改进-西安邮电大学.pdf

北京大学学报(自然科学版) 第 52 卷 第 1 期 2016 年 1 月 Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 52, No. 1 (Jan. 2016) doi: 10.13209/j.0479-8023.2016.024 基于互信息改进算法的新词发现 对中文分词系统改进 † 杜丽萍 李晓戈 于根 刘春丽 刘睿 西安邮电大学 , 西安 710121; † 通信作者 , E-mail: lixg@xupt.edu.cn 摘要 提出一种非监督的新词识别方法。该方法利用互信息(PMI) 的改进算法——PMIk 算法与少量基本规则 相结合, 从大规模语料中自动识别 2~n 元网络新词(n 为发现的新词最大长度, 可以根据需要指定) 。基于 257 MB 的百度贴吧语料实验, 当 PMIk 方法的参数为 10 时, 结果精度达到 97.39%, 比 PMI 方法提高 28.79%, 实 验结果表明 , 该新词发现方法能够有效地从大规模网络语料中发现新词。将新词发现结果编纂成用户词典 , 加载到汉语词法分析系统 ICTCLAS 中, 基于 10 KB 的百度贴吧语料实验, 比加载用户词典前的分词结果准 确率、召回率和 F 值分别提高 7.93%, 3.73%和 5.91% 。实验表明, 通过进行新词发现能有效改善分词系统对 网络文本的处理效果。 关键词 新词识别 ; 未登录词 ; 互信息 ; PMI 改进算法; 中文分词 中图分类号 TP391 New Word Detection Based on an Improved PMI Algorithm for Enhancing Segmentation System † DU Liping, LI Xiaoge , YU Gen, LIU Chunli, LIU Rui School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121; † Corresponding author, E-mail: lixg@xupt.edu.cn Abstract This paper presents an unsupervised method to identify internet new words from the large scale web corpus, which combines with an improved Point-wise Mutual Information (PMI), PMIk algorithm, and some basic rules. This method can recognize internet new words with length from 2 to n (n is any number as needed). Ex