ngram模型中文语料实验step by step(1)-分词与统计

2024-05-13 06:08

本文主要是介绍ngram模型中文语料实验step by step(1)-分词与统计,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

ngram模型是统计语言的最基本的模型了,这里将给出用中文语料做实验建立ngram模型的个人总结,主要参考sun拼音2.0的代码以及有点意思拼音输入法,会参考srilmstevejian.cublog.cn。我会尽量逐步完成所有的实验总结。

分词与统计

对于中文语料和英文不同需要我们先进行分词,当然如果是切分好空格隔开的语料就简单许多。假设是普通的语料,sun拼音的做法是采用正向最大匹配分词,并且去掉可能有歧义的部分,当然这些都是首先依赖于词典。

  1. 利用词典文本建立一个存储字典中词的索引结构。可以选择hash map,map,trie树等结构,这里选择double array trie作为索引结构。我这里采用的是GBK的编码方式对于每一个字给予一个trie树种的编码,同时对于每一个词典中的词给予一个唯一的int型的编号,我们在后续统计三元组以及建立ngram模型的时候采用都是词的编号而不是词本身,这主要是为了节省空间,方便数据结构写硬盘以及排序,当然用string其实也是可以的。我们的词典中会保证有所有的GBK单字作为词。 
  2. 基于1步骤词典的最大匹配分词,这里为了简单只考虑中文,而英文,标点等等都作为分割符号。为了简单没有采用句子开始符号和结尾符号而是采用统一的分割符号。10表示分隔符号,用9表示歧义。与sun拼音不同的是这里采用直接逐句分词添加到统计模块的做法而不是对于整个文本分词写文件再读文件再统计三元组的做法。这样可以方便处理比如直接从数据库中的用户查询作为语料。统计的时候可以采用map/hash_map+sort的方法(其实就是单机版的map_reduce),保证最后三元组是排好序的从而方便ngram模型的建立。如果语料较大可以考虑利用hadoop统计。 
  3. 关于歧义部分的识别处理,参考 “有点意思拼音输入法” 
    1. 在processSingleFile()中,逐句读取语料库,例如,"为人民办实事的精神",然后进行调用SIMDict::matchLongest()进行最长匹配。
      因为辞典中有“为人民”这个词条,因此分割到的第一个词是“为人民”,其长度为3,然后调用getAmbiLen(),来分析是否有交集歧义,并返回最大交集歧义的长度。下面是每次迭代的情况: 
    2. 人民, 办实事的精神 -> i=1, len=2, word_len=3, 对“人民办实事”进行最长匹配,分割到的词为“人民”,其长度为2, 
    3. 民办, 实事的精神 -> i=2, len=2, word_len=4, 对“民办实事”进行最长匹配,分割到的词为“民办”,其长度为2,因为i与len的合超过了最初传入的word_len,则设置word_len为4,继续迭代。可以看出,此时歧义已经检测到了。 
    4. 办实事, 的精神 -> i=3, len=3, word_len=6 
    5. 实事, 的精神 -> i=4, len=2, word_len=6 
    6. 事, 的精神 -> i=5, len=1, word_len=6, 最后歧义的长度为6 
    7. 退出循环,返回得到的长度,即6 
    8. 如果指定了ambiguous-id,则会将这6个字符作为一个AMBI-ID(由参数-a指定),输出到分词的结果中。然后跳过这6个字符,继续进行分词。当句子结束时,如果使用二进制格式输出,则会输出一个句子结束的ID(由参数-s指定)。最后得到的结果是:
      $ echo "为人民办实事的精神" | ./mmseg -d ../raw/dict.utf8 -f text -s 10 -a 9
      <ambi>为人民办实事</ambi> 的 精神

那么,我们最终得到的分词结果中,所有的交集歧义都作为作为一个词AMBI-ID,相当于我们忽略了这部分信息(这个比例并不低)。这样在我们后面的统计中,绝大部分的3元组都可以保证是有意义和有价值的。进而训练得到的统计语言模型,能够排除交集歧义的影响。然后,可以这个模型,使用slmseg,重新对语料库进行分词,并计算新的语言模型。这一次,原来忽略的带有歧义的信息,我们也加以利用。

  • 实验结果。 
    • 测试文本

小明读了一本书。小红读了一本书。
美丽的心灵,美丽的世界,美丽的心灵
最 伟大 的 足球 运动员 !
为人民办实事的精神

    • 分词结果 (注意结果和字典有很大关系:)
    • 不考虑去除歧义的最大匹配切分:

      (10) 小明(95986) 读(696) 了(1740) 一(3322) 本书(10966) 。(10) 小红(95813) 读(696) 了(1740) 一(3322) 本书(10966) 。(10)
      (10) 美丽(61314) 的(605) 心灵(97425) ,(10) 美丽(61314) 的(605) 世界(79499) ,(10) 美丽(61314) 的(605) 心灵(97425) (10)
      (10) 最(3843)  (10) 伟大(90591)  (10) 的(605)  (10) 足球(117470)  (10) 运动员(108391)  (10)
      (10) 为人(90374) 民办(62366) 实事(79157) 的(605) 精神(48942) (10) 

      考虑去除歧义部分的最大匹配切分(注意我的词典里面没有”办实事”这个词):

      (10) 小明(95986) 读(696) 了(1740) 一(3322) 本书(10966) 。(10) 小红(95813) 读(696) 了(1740) 一(3322) 本书(10966) 。(10)
      (10) 美丽(61314) 的(605) 心灵(97425) ,(10) 美丽(61314) 的(605) 世界(79499) ,(10) 美丽(61314) 的(605) 心灵(97425) (10)
      (10) 最(3843)  (10) 伟大(90591)  (10) 的(605)  (10) 足球(117470)  (10) 运动员(108391)  (10)
      (10) <ambi>为人民办</ambi>(9) 实事(79157) 的(605) 精神(48942) (10)

                另外需要注意如果是用分好词的语料,显然应该对应空格不作为gap(标号为10)处理。

    • 统计排序的结果

       仅给出按照上面不去除歧义部分的分词对应的统计结果:

<b> 的 <b> 1
10 605 10 
<b> 最 <b> 1
10 3843 10 
<b> 美丽 的 3
10 61314 605 
<b> 为人 民办 1
10 90374 62366 
<b> 伟大 <b> 1
10 90591 10 
<b> 小红 读 1
10 95813 696 
<b> 小明 读 1
10 95986 696 
<b> 运动员 <b> 1
10 108391 10 
<b> 足球 <b> 1
10 117470 10 
的 <b> 足球 1
605 10 117470 
的 精神 <b> 1
605 48942 10 
的 世界 <b> 1
605 79499 10 
的 心灵 <b> 2
605 97425 10 
读 了 一 2
696 1740 3322 
了 一 本书 2
1740 3322 10966 
一 本书 <b> 2
3322 10966 10 
最 <b> 伟大 1
3843 10 90591 
本书 <b> <b> 1
10966 10 10 
本书 <b> 小红 1
10966 10 95813 
精神 <b> <b> 1
48942 10 10 
美丽 的 世界 1
61314 605 79499 
美丽 的 心灵 2
61314 605 97425 
民办 实事 的 1
62366 79157 605 
实事 的 精神 1
79157 605 48942 
世界 <b> 美丽 1
79499 10 61314 
为人 民办 实事 1
90374 62366 79157 
伟大 <b> 的 1
90591 10 605 
小红 读 了 1
95813 696 1740 
小明 读 了 1
95986 696 1740 
心灵 <b> <b> 1
97425 10 10 
心灵 <b> 美丽 1
97425 10 61314 
运动员 <b> <b> 1
108391 10 10 
足球 <b> 运动员 1
ngram_builder.ngramTypeNum(1) ------- 19
ngram_builder.ngramTypeNum(2) ------- 21
ngram_builder.ngramTypeNum(3) ------- 13
ngram_builder.tokenNum() ------- 40

这篇关于ngram模型中文语料实验step by step(1)-分词与统计的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/984888

相关文章

RedisTemplate默认序列化方式显示中文乱码的解决

《RedisTemplate默认序列化方式显示中文乱码的解决》本文主要介绍了SpringDataRedis默认使用JdkSerializationRedisSerializer导致数据乱码,文中通过示... 目录1. 问题原因2. 解决方案3. 配置类示例4. 配置说明5. 使用示例6. 验证存储结果7.

详解如何使用Python从零开始构建文本统计模型

《详解如何使用Python从零开始构建文本统计模型》在自然语言处理领域,词汇表构建是文本预处理的关键环节,本文通过Python代码实践,演示如何从原始文本中提取多尺度特征,并通过动态调整机制构建更精确... 目录一、项目背景与核心思想二、核心代码解析1. 数据加载与预处理2. 多尺度字符统计3. 统计结果可

SpringBoot整合Sa-Token实现RBAC权限模型的过程解析

《SpringBoot整合Sa-Token实现RBAC权限模型的过程解析》:本文主要介绍SpringBoot整合Sa-Token实现RBAC权限模型的过程解析,本文给大家介绍的非常详细,对大家的学... 目录前言一、基础概念1.1 RBAC模型核心概念1.2 Sa-Token核心功能1.3 环境准备二、表结

Pandas中统计汇总可视化函数plot()的使用

《Pandas中统计汇总可视化函数plot()的使用》Pandas提供了许多强大的数据处理和分析功能,其中plot()函数就是其可视化功能的一个重要组成部分,本文主要介绍了Pandas中统计汇总可视化... 目录一、plot()函数简介二、plot()函数的基本用法三、plot()函数的参数详解四、使用pl

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

Mysql如何将数据按照年月分组的统计

《Mysql如何将数据按照年月分组的统计》:本文主要介绍Mysql如何将数据按照年月分组的统计方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录mysql将数据按照年月分组的统计要的效果方案总结Mysql将数据按照年月分组的统计要的效果方案① 使用 DA

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》:本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

一文详解SQL Server如何跟踪自动统计信息更新

《一文详解SQLServer如何跟踪自动统计信息更新》SQLServer数据库中,我们都清楚统计信息对于优化器来说非常重要,所以本文就来和大家简单聊一聊SQLServer如何跟踪自动统计信息更新吧... SQL Server数据库中,我们都清楚统计信息对于优化器来说非常重要。一般情况下,我们会开启"自动更新