Python預測分詞的實現

前言

在機器學習中,我們有瞭訓練集的話,就開始預測。預測是指利用模型對句子進行推斷的過程。在中文分詞任務中也就是利用模型推斷分詞序列,同時也叫解碼。

在HanLP庫中,二元語法的解碼由ViterbiSegment分詞器提供。本篇將詳細介紹ViterbiSegment的使用方式

加載模型

在前篇博文中,我們已經得到瞭訓練的一元,二元語法模型。後續的處理肯定會基於這幾個文件來處理。所以,我們首先要做的就是加載這些模型到程序中:

if __name__ == "__main__":
    MODEL_PATH = "123"
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
    CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
    print(CoreDictionary.getTermFrequency("秦機"))
    print(CoreBiGramTableDictionary.getBiFrequency("秦機","的"))

運行之後,效果如下:

頻次

這裡我們使用CoreDictionary.getTermFrequency()方法獲取”秦機“的頻次。使用CoreBiGramTableDictionary.getBiFrequency()方法獲取“秦機 的”的二元語法頻次。

構建詞網

在前文中我們介紹瞭符號“末##末“,代表句子結尾,”始##始“代表句子開頭。而詞網指的是句子中所有一元語法構成的網狀結構。比如MSR詞典中的“秦機和科技”這個句子,是給定的一元詞典。我們將句子中所有單詞找出來。得到如下詞網:

[始##始]
[秦機]
[]
[和,和科]
[科技]
[技]
[末##末]

對應的此圖如下所示:

科技

當然,這裡博主隻是舉例說明詞網的概念,“和科”並不是一個單詞。

下面,我們來通過方法構建詞網。具體代碼如下:

def build_wordnet(sent, trie):
    JString = JClass('java.lang.String')
    Vertex = JClass('com.hankcs.hanlp.seg.common.Vertex')
    WordNet = JClass('com.hankcs.hanlp.seg.common.WordNet')
    searcher = trie.getSearcher(JString(sent), 0)
    wordnet = WordNet(sent)
    while searcher.next():
        wordnet.add(searcher.begin + 1,
                    Vertex(sent[searcher.begin:searcher.begin + searcher.length], searcher.value, searcher.index))
    # 原子分詞,保證圖連通
    vertexes = wordnet.getVertexes()
    i = 0
    while i < len(vertexes):
        if len(vertexes[i]) == 0:  # 空白行
            j = i + 1
            for j in range(i + 1, len(vertexes) - 1):  # 尋找第一個非空行 j
                if len(vertexes[j]):
                    break
            wordnet.add(i, Vertex.newPunctuationInstance(sent[i - 1: j - 1]))  # 填充[i, j)之間的空白行
            i = j
        else:
            i += len(vertexes[i][-1].realWord)

    return wordnet


if __name__ == "__main__":
    MODEL_PATH = "123"
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
    CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
    print(build_wordnet("秦機和科技", CoreDictionary.trie))

運行之後,我們會得到與上圖歸納差不多的內容:

效果

維特比算法

如果現在我們賦予上述詞圖每條邊以二元語法的概率作為距離,那麼如何求解詞圖上的最短路徑就是一個關鍵問題。

假設文本長度為n,則一共有2(n-1次方)種切分方式,因為每2個字符間都有2種選擇:切或者不切,時間復雜度就為O(2(n-1次方))。顯然不切實際,這裡我們考慮使用維特比算法。

維特比算法原理:它分為前向和後向兩個步驟。

  • 前向:由起點出發從前往後遍歷節點,更新從起點到該節點的最下花費以及前驅指針
  • 後向:由終點出發從後往前回溯前驅指針,取得最短路徑

維特比算法用python代碼的實現如下:

def viterbi(wordnet):
    nodes = wordnet.getVertexes()
    # 前向遍歷
    for i in range(0, len(nodes) - 1):
        for node in nodes[i]:
            for to in nodes[i + len(node.realWord)]:
                # 根據距離公式計算節點距離,並維護最短路徑上的前驅指針from
                to.updateFrom(node)
    # 後向回溯
    # 最短路徑
    path = []
    # 從終點回溯
    f = nodes[len(nodes) - 1].getFirst()
    while f:
        path.insert(0, f)
        # 按前驅指針from回溯
        f = f.getFrom()
    return [v.realWord for v in path]

實戰

現在我們來做個測試,我們在msr_test_gold.utf8上訓練模型,為秦機和科技常見詞圖,最後運行維特比算法。詳細代碼如下所示:

if __name__ == "__main__":
    MODEL_PATH = "123"
    corpus_path = r"E:\ProgramData\Anaconda3\Lib\site-packages\pyhanlp\static\data\test\icwb2-data\gold\msr_test_gold.utf8"
    train_model(corpus_path, MODEL_PATH)
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
    CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
    ViterbiSegment = JClass('com.hankcs.hanlp.seg.Viterbi.ViterbiSegment')
    MODEL_PATH = "123"
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    sent = "秦機和科技"
    wordnet = build_wordnet(sent, CoreDictionary.trie)
    print(viterbi(wordnet))

效果

有的人可能有疑問,因為二元模型裡,本身就存在秦機 和
科技這個樣本。這麼做不是多此一舉嗎?那好,我們替換sent的文本內容為“北京和廣州”,這個樣本可不在模型中。運行之後,效果如下:

效果如下

我們發現依然能正確的分詞為[北京 和 廣州],這就是二元語法模型的泛化能力。至此我們走通瞭語料標註,訓練模型,預測分詞結果的完整步驟。

到此這篇關於Python預測分詞的實現的文章就介紹到這瞭,更多相關Python預測分詞內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: