自定義中文分詞

基於統計的分詞

序列模型分詞

常用的分詞方法有：

基於規則的分詞是通過維護字典的方法，在切分語句時將語句中的字元與詞典進行逐一匹配去劃分詞語，是一種比較機械的分詞方式

my_dict = ["江大橋", "研究", "生命科學", "南京市", "研究生", "大橋", "科學", "課題", "南京市長", "生命", "長江大橋", "南京", "市長"]
max_length = max([len(word) for word in my_dict])

def word_cut_mm(sentence):
"""正向匹配"""
sentence = sentence.strip()
word_length = len(sentence)
cut_word_list = 
while word_length > 0:
max_cut_length = min(max_length, word_length)
sub_sentence = sentence[:max_cut_length]
while max_cut_length > 0:
if sub_sentence in my_dict or max_cut_length == 1:
break
else:
max_cut_length = max_cut_length - 1
sub_sentence = sentence[:max_cut_length]
word_length = word_length - max_cut_length
sentence = sentence[max_cut_length:]
return cut_word_list
word = word_cut_mm("南京市長江大橋研究生課題是研究生命科學")
print(word)
# 輸出：['南京市長', '江大橋', '研究生', '課題', '是', '研究生', '命', '科學']

def word_cut_rmm(sentence):
"""逆向最大匹配"""
cut_word_list = 
sen_length = len(sentence)
while sen_length > 0:
for max_cut_length in range(max_length, 0, -1):
if sen_length - max_cut_length < 0: continue
sub_sentence = sentence[(sen_length - max_cut_length):sen_length]
if sub_sentence in my_dict:
sen_length -= max_cut_length
break
if max_cut_length == 1:
sen_length -= 1
return cut_word_list[::-1]    
word = word_cut_rmm("南京市長江大橋研究生課題是研究生命科學")
print(word)
# 輸出：['南京市', '長江大橋', '研究生', '課題', '是', '研究', '生命科學']

雙向匹配是綜合正了向匹配和逆向匹配

統計分詞是以字為最小單位，相連的字在不同文字**現的詞次越多，說明成詞的可能性越大。統計語料中相鄰的各個字組合出現的頻率，來確定此組字構成詞的可靠度。

一段文字通常有多種分隔方式如：

c：結婚的和尚未結婚 s1：結婚/的/和尚/未/結婚

s2：結婚/的/和/尚未/結婚

求輸入c的最大概率切分路徑argmax p(s|c）（即要求的s1,s2…sk的最大值。求最大概率也是求最佳路徑的問題，一般採用的是動態規劃求最佳路徑)

p(s1|c)=p(c|s1)*p(s1)/p(c)
p(s2|c)=p(c|s2)*p(s2)/p(c)

因此比較p(s1|c)和p(s2|c)的大小就是比較p(s1)和p(s2)的大小

p(s1|c) = p(s1) =p(w1,w2...wm1)
p(s2|c) = p(s2) =p(w1,w2...wm2)

對於一元語言模型：

p(w1,w2...wm1)≈p(w1).p(w2)...p(wm1) 在w1,w2...wm1中，如果某個詞不存在，則其概率為零就導致相乘後所有的乘積都為零，一次一般會做 add-one smoothing操作

w1,w2...wm1都是大於0小於1的數，當序列比較長時，相乘後可能向下溢位變為0，因此一般會取單調遞增 log函式

於是可得：

p(s1) = p(w1,w2...wm1) = p(w1).p(w2)...p(wm1)
p(wi)=wi在語料庫出現的詞數/詞庫中的總數
logp(wi) = log(wi在語料庫出現的次數/詞庫中的總詞數) = log(wi在語料庫出現的次數)-log(詞庫中的總詞數)=log(freq wi) - logn
p(s1) = p(w1).p(w2)...p(wm1)∝logp(w1)+logp(w2)+...+logp(wm) 
= (log(freq w1) - logn).(log(freq w2) - logn)...(log(freq wm1) - logn)

同理可以求出s2，比較s1和s2的大小，最終獲得分詞效果

對於二元語言模型

根據條件概率公式：
p(wm1|wm-1) = p(wm1,wm-1)/p(wm-1)
根據大數定律：
p(wm1,wm-1) = count(wm1,wm-1)/count(*)
p(wm-1) = count(wm-1)/count(*) 
於是可得：
p(wm1|wm-1) = p(wm1,wm-1)/p(wm-1) =  count(wm1,wm-1)/count(wm-1)
logp(wm1|wm-1) = logp(wm1|wm-1)= log(count(wm1,wm-1)/count(wm-1)) = log(count(wm1,wm-1)) - log(count(wm-1))

把logp(wm1|wm-1)代入logp(w1)+logp(w2|w1)+logp(w3|w2)+…+logp(wm|wm-1)即可求出s1的概率值

把分詞轉換為對句子序列中每個字的標註，根據標註對文字進行分詞，最常用的就是hmm和crf

b：標註要麼是乙個詞的開始 m：乙個詞的中間位置 e:乙個詞的結束位置 s：單個字的詞 π是初始狀態概率向量 a隱含狀態轉移概率矩陣 b發射概率矩陣所有的狀態序列集合：s = 所有的觀測序列集合：o = 長度為t的狀態序列i：i =

i對應的觀測序列q：q =

在模型訓練階段，已知觀測序列o=，使用baum-welch演算法估計模型λ=πab的引數(或通過統計的方法獲得引數π、a、b)，使得p(o|λ)的概率最大

在**階段，已知觀測序列並利用訓練階段求的的引數λ=πab，使用viterbi求給定觀測序列條件概率p(i|λo)最大狀態序列i

自定義遠端分詞

首先安裝乙個web伺服器然後在nginx中新建乙個目錄和檔案用於儲存自定義分詞然後啟動web伺服器即可進入elasticsearch 7.16.3 plugins ik config目錄編輯 ikanalyzer.cfg.xml 根據注釋內容填寫即可 http localhost es an...

IK中文分詞擴充套件自定義詞典！！！

1.基於分布式系統的自定義分詞要求與流程設計見圖 e plan readingnote 分詞與索引分詞 2012 4 20 2.分詞實現原理詞典的載入過程 2.1.分詞詞典的載入過程涉及到3個類，分別是configuration類，directory類，以及dictsegment類。其中前兩個...

ES建立自定義模板，實現中文分詞

一.通過es的rest api，建立模板，設定好索引匹配，就可以了，不需要在logstash中作任何配置推薦 get template logstash default properties version geoip location latitude longitude aliases put...

自定義中文分詞

自定義遠端分詞

IK中文分詞擴充套件自定義詞典！！！

ES建立自定義模板，實現中文分詞

相關推薦