python自然语言处理入门

2023-01-05 09:19| 来源: 网络整理| 查看: 265

自然语言处理入门-词典分词

摘要中文分词指的是将一段文本拆分为一系列单词的过程，这些单词顺序拼接后等于原文本。词典分词是最简单、最常见的分词算法，仅需一部词典和一套查词典的规则即可。给定一部词典，词典分词就是一个确定的查词与输出的规则系统。 1. 什么是词 1.1 词的定义

语言学定义：具备独立意义的最小单位。

基于词典的中文分词中的定义：词典中的字符串就是词。

1.2 词的性质——齐夫定律

齐夫定律：哈弗大学语言学家乔治 . 金斯利 . 齐夫于 1949 年发表，一个单词的词频与它的词频排名成反比。

实验：基于 MSR 语料库（微软亚洲研究院语料库）上的统计结果验证 “齐夫定律”。

[('，', 173173), ('的', 128146), ('。', 81757), ('、', 40695), ('在', 28445), ('了', 27103), ('和', 24398), ('是', 18068), ('”', 16867), ('“', 16686), ('一', 11503), ('有', 9905), ('对', 9654), ('为', 9516), ('中', 9444), ('上', 8408), ('不', 7222), ('这', 7198), ('与', 7197), ('他', 7062), ('就', 6485), ('人', 6338), ('到', 6316), ('等', 6008), ('：', 5988), ('发展', 5976), ('说', 5973), ('也', 5801), ('要', 5660), ('将', 5651)]

图 2-1 MSR 语料库前 30 个常用词的词频统计

横坐标：按词频降序排列的前 30 个常用词；纵坐标：相应的词频。

这条曲线大致符合 $y=\frac{1}{x}$ ，即满足幂律分布（power law distribution），也称长尾效应、二八原则、马太效应等。也就是说，虽然存在很多生词，但越靠后词频越小，趋近于 0。

2. 词典

互联网上公开的中文词典：搜狗实验室发布的互联网词库（SogouW，其中有 15 万个词条）、清华大学开放中文词库（THUOCL）、HanLP 词典。

2.1 HanLP 词典

以HanLP 附带的迷你核心词典为例，其路径为 "site-packages/pyhanlp/static/data/dictionary/CoreNatureDictionary.txt"。这是一个纯文本文件，用记事本打开后，可以观察到如下格式：

希望 v 7685 vn 616 希望村 ns 2 希杰 nrf 2 希泊妮 nz 2 希波克拉底 nrf 1

HanLP 中的词典格式：一种以空格分隔的表格形式，第一列是单词本身，之后每两列分别表示词性与相应的词频。比如第 1 行 “希望 v 7685 vn 616” 表示 “希望” 这个词以动词的身份出现了 7685 次，以动名词的身份出现了 616 次。

如果单词本身有空格，那该怎么办呢？比如 iPhone X、Macbook Pro，此时可以使用英文逗号分隔的 .csv 文件。

iPhone X, n, n

Macbook Pro, n , 1

注：如果用户的词语都是名词，或者不关心词性的话，可以省略词性部分。

2.2 词典的加载 """ 加载HanLP中的mini词库 """ from pyhanlp import JClass, HanLP def load_dictionary(): """ 加载HanLP中的mini词库 :return: 一个set形式的词库 """ # 根据 Java 路径名获取 HanLp 中的 IOUtil 工具类 IOUtil = JClass("com.hankcs.hanlp.corpus.io.IOUtil") # 获取 HanLP 的配置项 Config 中的词典路径 path = HanLP.Config.CoreDictionaryPath.replace(".text", ".mini.text") # 加载词典数据，参数可以传一个路径字符串，也可以传一个路径字符串列表，返回一个 Java Map 对象 # dic = IOUtil.loadDictionary(path) dic = IOUtil.loadDictionary([path]) # 将 Java Map 对象转换为 Python 原生的 Set 对象，并返回 return set(dic.keySet()) if __name__ == "__main__": dic = load_dictionary() print(len(dic)) print(list(dic)[0]) 153091 沙特阿尔阿赫利 3. 切分算法

词典查找的规则：完全切分、正向最长匹配、逆向最长匹配、双向最长匹配。

3.1 完全切分

完全切分：找出一段文本中的所有单词。

"""完全切分的中文分词算法""" import os import sys sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定 from ch02.utifily import load_dictionary def completely_segment(text, dic): """ 完全切分的中文分词算法 :param text: 待切分的文本 :param dic: 词典 :return: 单词列表 """ word_list = [] for i in range(len(text)): # i从0遍历到text的最后一个字符的下标 for j in range(i + 1, len(text) + 1): # j遍历[i+1, len(text)+1] 区间 word = text[i: j] # 去除连续区间[i, j]对应的字符串 if word in dic: # 如果在词典中，则认为是一个词 word_list.append(word) return word_list if __name__ == "__main__": dic = load_dictionary() print(completely_segment("商品和服务", dic)) print(completely_segment("就读北京大学", dic)) ['商', '商品', '品', '和', '和服', '服', '服务', '务'] ['就', '就读', '读', '北', '北京', '北京大学', '京', '大', '大学', '学'] 3.2 正向最长匹配

最长匹配算法：在以某个下标为起点递增查词的过程中，优先输出更长的词，这种规则被称为最长匹配算法。

正向最长匹配：在以某个下标为起点从前往后递增查词的过程中，优先输出更长的词，这种规则被称为正向最长匹配。

"""正向最大匹配的中文分词算法""" import os import sys sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定 from ch02.utifily import load_dictionary def forward_segment(text, dictionary): """ 正向最大匹配的中文分词算法 :param text: 待切分的文本 :param dictionary: 词典 :return: 单词列表 """ word_list = [] i = 0 while i < len(text): longest_word = text[i] # 当前扫描位置的单词 for j in range(i + 1, len(text) + 1): # 所有可能的结尾 word = text[i: j] # 从当前位置到结尾的连续字符串 if word in dictionary: # 在词典中 if len(word) > len(longest_word): # 并且更长 longest_word = word # 则更优先输出 word_list.append(longest_word) # 输出最长词 i += len(longest_word) # 正向扫描 return word_list if __name__ == "__main__": dictionary = load_dictionary() print(forward_segment("就读于北京大学", dictionary)) print(forward_segment("研究生命的起源", dictionary)) ['项目', '的', '研究'] ['商品', '和服', '务'] ['研究生', '命', '起源'] ['当下', '雨天', '地面', '积水'] ['结婚', '的', '和尚', '未', '结婚', '的'] ['欢迎', '新', '老师', '生前', '来', '就餐'] 3.3 逆向最长匹配

逆向最长匹配：在以某个下标为起点从后往前递增查词的过程中，优先输出更长的词，这种规则被称为逆向最长匹配。

"""逆向最大匹配的中文分词算法""" import os import sys sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定 from ch02.utifily import load_dictionary def backward_segment(text, dictionary): """" 逆向最大匹配的中文分词算法 :param text: 待切分的文本 :param dictionary: 词典 :return: 单词列表 """ word_list = [] i = len(text) - 1 while i >= 0: # 扫描位置作为终点 longest_word = text[i] # 扫描位置的单词 for j in range(0, i): # 遍历[0, i]区间作为待查询词语的起点 word = text[j: i+1] # 取[j, i+1]区间作为待查询单词 if word in dictionary: # 在词典中 if len(word) > len(longest_word): # 越长优先级越高 longest_word = word break word_list.insert(0, longest_word) # 逆向扫描，因此越先查出的单词在位置上越靠后 i -= len(longest_word) # 正向扫描 return word_list if __name__ == "__main__": dictionary = load_dictionary() print(backward_segment("项目的研究", dictionary)) print(backward_segment("商品和服务", dictionary)) print(backward_segment("研究生命起源", dictionary)) print(backward_segment("当下雨天地面积水", dictionary)) print(backward_segment("结婚的和尚未结婚的", dictionary)) print(backward_segment("欢迎新老师生前来就餐", dictionary)) ['项', '目的', '研究'] ['商品', '和', '服务'] ['研究', '生命', '起源'] ['当', '下雨天', '地面', '积水'] ['结婚', '的', '和', '尚未', '结婚', '的'] ['欢', '迎新', '老', '师生', '前来', '就餐'] 3.4 双向最长匹配

双向最长匹配：融合了正向最长匹配和逆向最长匹配的复杂规则集，流程如下。

（1）同时执行正向和逆向最长匹配，若两者的词数不同，则返回词数更少的那一个。

（2）否则，返回两者中单字更少的那一个。当单字数也相同时，优先返回逆向最长匹配的结果。3.5 速度测评

这种规则的出发点来自语言学上的启发——汉语中单字词的数量要远远小于非单字词。因此，算法应当尽量减少结果中的单字，保留更多的完整词语，这样的算法也称为启发式算法。

"""双向最长匹配""" import os import sys sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定 from ch02.utifily import load_dictionary from ch02.forward_segment import forward_segment from ch02.backward_segment import backward_segment def count_single_char(word_list): """ 统计单字成词的个数 :param word_list: 单词列表 :return: 单字个数 """ count = 0 for word in word_list: if len(word) == 1: count += 1 # return sum(1 for word in word_list if len(word) == 1) return count def bidirectional_segment(text, dictionary): """" 双向最大匹配的中文分词算法 :param text: 待切分的文本 :param dictionary: 词典 :return: 单词列表 """ forward_list = forward_segment(text, dictionary) backward_list = backward_segment(text, dictionary) if len(forward_list) < len(backward_list): # 词数更少优先级更高 return forward_segment elif len(forward_list) > len(backward_list): return backward_list elif len(forward_list) == len(backward_list): if count_single_char(forward_list) < count_single_char(backward_list): # 单字数更少优先级更高 return forward_list else: # 词数相等、单字数相等，逆向匹配优先级更高 return backward_list if __name__ == "__main__": dictionary = load_dictionary() print(bidirectional_segment("项目的研究", dictionary)) print(bidirectional_segment("商品和服务", dictionary)) print(bidirectional_segment("研究生命起源", dictionary)) print(bidirectional_segment("当下雨天地面积水", dictionary)) print(bidirectional_segment("结婚的和尚未结婚的", dictionary)) print(bidirectional_segment("欢迎新老师生前来就餐", dictionary)) 3.5 效果测评表 2-1 4种切分规则的效果对比序号原文完全切分正向最长匹配逆向最长匹配双向最长匹配1项目的研究['项', '项目', '目', '目的', '的', '研', '研究', '究']['项目', '的', '研究']['项', '目的', '研究']['项', '目的', '研究']2商品和服务['商', '商品', '品', '和', '和服', '服', '服务', '务']['商品', '和服', '务']['商品', '和', '服务']['商品', '和', '服务']3研究生命起源['研', '研究', '研究生', '究', '生', '生命', '命', '起', '起源', '源']['研究生', '命', '起源']['研究', '生命', '起源']['研究', '生命', '起源']4当下雨天地面积水

['当', '当下', '下', '下雨', '下雨天', '雨', '雨天', '天', '天地', '地',

'地面', '面', '面积', '积', '积水', '水']

['当下', '雨天', '地面', '积水']['当', '下雨天', '地面', '积水']['当下', '雨天', '地面', '积水']5结婚的和尚未结婚的['结', '结婚', '婚', '的', '和', '和尚', '尚', '尚未', '未', '结', '结婚', '婚', '的']['结婚', '的', '和尚', '未', '结婚', '的']['结婚', '的', '和', '尚未', '结婚', '的']['结婚', '的', '和', '尚未', '结婚', '的']6欢迎新老师生前来就餐

['欢', '欢迎', '迎', '迎新', '新', '老', '老师', '师', '师生', '生', '生前',

'前', '前来', '来', '就', '就餐', '餐']

['欢迎', '新', '老师', '生前', '来', '就餐']['欢', '迎新', '老', '师生', '前来', '就餐']['欢', '迎新', '老', '师生', '前来', '就餐']

实验通过对 6 个中文句子进行切分，正向最长匹配的正确率为 1/6，逆向最长匹配的正确率为 4/6，双向最长匹配的正确率为 3/6。由此规则系统的脆弱可见一斑。规则集的维护有时是拆东墙补西墙，有时是帮倒忙。

3.5 速度测评

实验：基于词典分词中文分词的 4 中规则，分别对文本 “江西鄱阳湖干枯，中国最大淡水湖变成大草原。” 进行 10000 次的分词操作，对分词速度进行对比。

图 2-2 词典分词中文分词4中规则四度对比

正向匹配和逆向匹配的速度差不多，是双向的两倍。这在意料之中，因为双向匹配做了两倍的工作。

Python 代码：

"""速度测评""" import os import sys import time from matplotlib import pyplot as plt sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定 from ch02.utifily import load_dictionary from ch02.completely_segment import completely_segment from ch02.forward_segment import forward_segment from ch02.backward_segment import backward_segment from ch02.bidirectional_segment import bidirectional_segment def evaluate_speed(segment, text, dictionary): """ 评测速度 :param segment: 匹配规则 :param text: 待切分的文本 :param dictionary: 词典 :return: 运行速度 """ start_time = time.time() for i in range(pressure): segment(text, dictionary) elapsed_time = time.time() - start_time return len(text) * pressure / 10000 / elapsed_time if __name__ == "__main__": text = "江西鄱阳湖干枯，中国最大淡水湖变成大草原。" pressure = 10000 segment_list = [{ "name": "完全切分", "segment": completely_segment }, { "name": "正向", "segment": forward_segment }, { "name": "逆向", "segment": backward_segment }, { "name": "双向", "segment": bidirectional_segment }] dic = load_dictionary() count_list = [] x_list = [] for segment in segment_list: speed = evaluate_speed(segment.get("segment"), text, dic) count_list.append(speed) x_list.append(segment.get("name")) plt.rcParams["font.sans-serif"] = ['SimHei'] # 正常显示中文 plt.rcParams["axes.unicode_minus"] = False # 正常显示负号 plt.bar(x_list, count_list, width=0.3, color="#409eff", label="python") plt.legend() plt.xlabel("匹配规则") plt.ylabel("万字/秒") plt.title("词典分词中文4种规则速度对比") for a, b in zip(x_list, count_list): # 柱子上的数字显示 plt.text(a, b, "%.2f" % b, ha="center", va="bottom", fontsize=10) plt.show() 4. 字典树 4.1 什么是字典树

字典树（trie树、前缀树）：一种字符串上的树形数据结构。一个典型的字典树如图 2-3 所示。

字典树中每条边都对应一个字，从根节点往下的路径构成一个个字符串。

字典树并不直接在节点上存储字符串，而是将词语视作根节点到某节点之间的一条路径，并在终点节点（蓝色）上做个标记 “该节点对应词语的结尾”。

字符串就是一条路径，要查询一个单词，只需顺着这条路径从根节点往下走。如果能走到特殊标记的节点，则说明该字符串在集合中，否则说明不存在。

图 2-3 字典树示意图

其中，蓝色标记着该节点是一个词的结尾，数字是人为的编号。这棵树中存储的词典如表 2-2 所示，我们可以顺着表 2-2 所示的路径找到对应的单词。

表 2-2 字典树中的词语与路径词语路径入门0-1-2自然0-3-4自然人0-3-4-5自然语言0-3-4-6-7自语0-3-8

不光是集合（Set），字典树也可以实现映射（map），只需将相应的值悬挂在键的终点节点上即可（图 2-3 的蓝色节点不一定是叶子结点）。

当词典大小为 n 时，虽然最坏情况下字典树的复杂度依然是 $O(logn)$ （假设子节点用对数复杂度的数据结构存储，所有词语都是单字），但它的实际速度比二分查找快。这是因为随着路径的深入，前缀匹配是递进的过程，算法不必比较字符串的前缀。

4.2 字典树的节点及其增删改查实现

由图 2-3 所知，每个节点都应该至少知道自己的子节点与对应的边，以及自己是否对应一个词。如果要实现映射而不是集合的话，还需要知道自己对应的值。

从确定有限状态自动机（DFA）的角度来讲，每个节点都是一个状态，状态表示当前已查询到的前缀。图 2-3 所示的字典树中每个状态对应的前缀如表 2-3 所示。

表 2-3 字典树状态与对应前缀状态前缀0""（空白）1入2入门3自4自然5自然人6自然语7自然语言8自语

按照某个字符进行状态转移的过程：从父节点到子节点的过程可以看作一次状态转移。

(1) 向父节点询问该字符与子节点的映射关系（一条边）；

(2) 如果父节点有满足条件的边，则状态转移到子节点；

(3) 如果父节点没有满足条件的边，立即失败，查询不到；

(4) 当成功完成了全部转移时，我们就拿到了最后一个状态，询问该状态是否是终点状态（蓝色）；

(5) 如果是，就查到了该单词，否则该单词不存在于词典中。

"""字典树""" class Node(object): """字典树的节点实现""" def __init__(self, value) -> None: self.children = {} self.value = value def add_child(self, char, value, overwrite=False): child = self.children.get(char) if child is None: child = Node(value) self.children[char] = child elif overwrite: child.value = value return child class Trie(Node): """字典树的增删改查实现""" def __init__(self) -> None: super().__init__(None) def __contains__(self, item): return self[item] is not None def __getitem__(self, item): state = self for char in item: state = state.children.get(char) if state is None: return None return state.value def __setitem__(self, key, value): state = self for i, char in enumerate(key): if i < len(key) - 1: state = state.add_child(char, None, False) else: state = state.add_child(char, value, True) if __name__ == "__main__": trie = Trie() # 增 trie["自然"] = "nature" trie["自然人"] = "human" trie["自然语言"] = "language" trie["自语"] = "talk to oneself" trie["入门"] = "introduction" assert "自然" in trie # 删 trie["自然"] = None assert "自然" not in trie # 改 trie["自然语言"] = "human language" assert trie["自然语言"] == "human language" # 查 assert trie["入门"] == "introduction" 4.3 首字母散列其余二分的字典树 4.5 双数组字典树 5. 双数组字典树

双数组字典树（Double Array Trie, DAT）：一种状态转移复杂度为常数的数据结构。由日本学者 Jun-Ichi Aoe 于 1989 年提出，它由 base 和 check 两个数组构成，又简称双数组。

6. AC 自动机 7. 基于双数组字典树的 AC 自动机 8. HanLP 的词典分词实现 9. 准确率评测 10. 字典树的其他应用

【本文地址】

python自然语言处理入门

python自然语言处理入门

今日新闻

推荐新闻