Nianwen Xue在《Chinese Word Segmentation as Character Tagging》中将中文分词视作为序列标注问题(sequence tagging problem),由此引入监督学习算法来解决分词问题。
1. HMM
首先,我们将简要地介绍HMM(主要参考了李航老师的《统计学习方法》)。HMM包含如下的五元组:
- 状态值集合[Math Processing Error]Q={q1,q2,⋯,qN},其中[Math Processing Error]N为可能的状态数;
- 观测值集合[Math Processing Error]V={v1,v2,⋯,vM},其中[Math Processing Error]M为可能的观测数;
- 转移概率矩阵[Math Processing Error]A=[aij],其中[Math Processing Error]aij表示从状态[Math Processing Error]i转移到状态[Math Processing Error]j的概率;
- 发射概率矩阵(在[2]中称之为观测概率矩阵)[Math Processing Error]B=[bj(k)],其中[Math Processing Error]bj(k)表示在状态[Math Processing Error]j的条件下生成观测[Math Processing Error]vk的概率;
- 初始状态分布[Math Processing Error]π.
一般地,将HMM表示为模型[Math Processing Error]λ=(A,B,π),状态序列为[Math Processing Error]I,对应测观测序列为[Math Processing Error]O。对于这三个基本参数,HMM有三个基本问题:
- 概率计算问题,在模型[Math Processing Error]λ下观测序列[Math Processing Error]O出现的概率;
- 学习问题,已知观测序列[Math Processing Error]O,估计模型[Math Processing Error]λ的参数,使得在该模型下观测序列[Math Processing Error]P(O|λ)最大;
- 解码(decoding)问题,已知模型[Math Processing Error]λ与观测序列[Math Processing Error]O,求解条件概率[Math Processing Error]P(I|O)最大的状态序列[Math Processing Error]I。
2. 中文分词
将状态值集合[Math Processing Error]Q置为[Math Processing Error]{B,E,M,S},分别表示词的开始、结束、中间(begin、end、middle)及字符独立成词(single);观测序列即为中文句子。比如,“今天天气不错”通过HMM求解得到状态序列“B E B E B E”,则分词结果为“今天/天气/不错”。
通过上面例子,我们发现中文分词的任务对应于解码问题:对于字符串[Math Processing Error]C={c1,⋯,cn},求解最大条件概率
[Math Processing Error]maxP(t1,⋯,tn|c1,⋯,cn)
其中,[Math Processing Error]ti表示字符[Math Processing Error]ci对应的状态。应如何求解状态序列呢?解决的办法便是Viterbi算法;其实,Viterbi算法本质上是一个动态规划算法,利用到了状态序列的最优路径满足这样一个特性:最优路径的子路径也一定是最优的。定义在时刻[Math Processing Error]t状态为[Math Processing Error]i的概率最大值为[Math Processing Error]δt(i),则有递推公式:
[Math Processing Error](1)δt+1(i)=max[δt(j)aji]bi(ot+1)
其中,[Math Processing Error]ot+1即为字符[Math Processing Error]ct+1。
3. 开源实现Jieba
以下的源码分析基于Jieba 0.36版本。
Jieba的jieba.finalseg实现HMM中文分词。prob_start.py
定义初始状态分布[Math Processing Error]π:
P={'B': -0.26268660809250016,
'E': -3.14e+100,
'M': -3.14e+100,
'S': -1.4652633398537678}
prob_trans.py
转移概率矩阵[Math Processing Error]A:
P={'B': {'E': -0.510825623765990, 'M': -0.916290731874155},
'E': {'B': -0.5897149736854513, 'S': -0.8085250474669937},
'M': {'E': -0.33344856811948514, 'M': -1.2603623820268226},
'S': {'B': -0.7211965654669841, 'S': -0.6658631448798212}}
prob_emit.py
定义了发射概率矩阵[Math Processing Error]B,比如,P("和"|M)
表示状态为M的情况下出现“和”这个字的概率;
P={'B': {'一': -3.6544978750449433,
'丁': -8.125041941842026,
'七': -7.817392401429855,
...}
'S': {':': -15.828865681131282,
'一': -4.92368982120877,
...}
...}
关于训练模型的生成,作者在这里有解释,来源主要有两个:标准的切分语料 + ICTCLAS切分的txt小说。还有一个大家可能会疑惑的问题,为什么Jieba中的概率矩阵中出现了负数?不急,我们先来看看Viterbi算法的实现——jieba.finalseg.viterbi
函数:
PrevStatus = {
'B': 'ES',
'M': 'MB',
'S': 'SE',
'E': 'BM'
}
def viterbi(obs, states, start_p, trans_p, emit_p):
V = [{}]
path = {}
for y in states:
V[0][y] = start_p[y] + emit_p[y].get(obs[0], MIN_FLOAT)
path[y] = [y]
for t in xrange(1, len(obs)):
V.append({})
newpath = {}
for y in states:
em_p = emit_p[y].get(obs[t], MIN_FLOAT)
(prob, state) = max(
[(V[t - 1][y0] + trans_p[y0].get(y, MIN_FLOAT) + em_p, y0) for y0 in PrevStatus[y]])
V[t][y] = prob
newpath[y] = path[state] + [y]
path = newpath
(prob, state) = max((V[len(obs) - 1][y], y) for y in 'ES')
return (prob, path[state])
为了适配中文分词任务,Jieba对Viterbi算法做了如下的修改:
- 状态转移时应满足
PrevStatus
条件,即状态[Math Processing Error]B的前一状态只能是[Math Processing Error]E或者[Math Processing Error]S,... - 最后一个状态只能是[Math Processing Error]E或者[Math Processing Error]S,表示词的结尾。
与此同时,Jieba在实现公式[Math Processing Error](1)时,对其求对数,将相乘转化成了相加:
[Math Processing Error]lnδt+1(i)=max{lnδt(j)+lnaji+lnbi(ot+1)}
这就回答了上面的问题——为什么概率矩阵中出现了负数,是因为对其求了对数。
Jieba的HMM分词:
from jieba.finalseg import cut
sentence = "小明硕士毕业于中国科学院计算所,后在日本京都大学深造"
print('/'.join(cut(sentence)))
分词结果为“小明/硕士/毕业于/中国/科学院/计算/所/,/后/在/日/本京/都/大学/深造”,我们发现:关于“日本京都”出现分词错误的情况。这是因为最大条件概率[Math Processing Error]P(I|O)对应的状态序列不一定是分词正确的标注序列。此外,HMM做了两个基本假设:
- 齐次Markov性假设,即任意时刻t的状态仅与前一时刻状态相关,与其他时刻的状态、时刻t均无关;
- 观测独立性假设,任意时刻t的观测仅依赖于该时刻HMM的状态,与其他的观测及状态均无关。
然而,在中文字符串中,字符[Math Processing Error]ct不仅与前一字符[Math Processing Error]ct−1相关,与前面的若干字符都有关系。正因如此,纯粹地采用HMM做中文分词始终存在着分词不准确的情况。
4. 参考资料
[1] Xue, Nianwen. "Chinese word segmentation as character tagging." Computational Linguistics and Chinese Language Processing 8.1 (2003): 29-48.
[2] 李航. "统计学习方法." 清华大学出版社, 北京 (2012).
[3] Itenyh, Itenyh版-用HMM做中文分词二:模型准备.
[4] Django梦之队, 对Python中文分词模块结巴分词算法过程的理解和分析.(源链接挂了,为转载链接)