中文文本分词详解:词典与HMM方法对比

需积分: 50 19 下载量 10 浏览量 更新于2024-07-15 1 收藏 3.8MB PPTX 举报
在本次PPT中,我们将深入探讨中文文本分词的两种核心方法:基于词典的分词算法和基于统计模型的HMM(隐马尔可夫模型)。首先,我们从概念出发,解释中文分词的重要性,它旨在将连续的汉字序列分解为有意义的词汇单元,尽管与英文不同,中文没有明确的词间分隔,这使得中文分词具有挑战性。 基于词典的分词算法主要包括正向最大匹配、逆向最大匹配和双向匹配三种策略。正向最大匹配从左到右扫描句子,优先选择最长的词,如例句中的"我们/在野/生动/物/园/玩"。逆向最大匹配则是从右往左扫描,同样追求最长匹配,如"玩/我们在/野生动物"。这两种方法都依赖于预定义的词典,当遇到不在词典中的词语时,会尝试将其分割为更小的部分。 然而,词典分词的局限在于无法处理未知的新词和多义词。因此,PPT中也介绍了基于统计模型的HMM算法,这是一种利用概率和状态转移来识别序列数据的模型。HMM假设文本中的每个词可以由一系列隐藏的状态(如词的类型)产生,通过观察到的字符序列(即词的字符组成)来推断这些隐藏状态,从而进行分词。CRF(条件随机场)是另一种常用的统计分词方法,它通过考虑前后词之间的依赖关系来提高分词准确性。 这份PPT详细讲解了中文文本分词的理论基础和实践应用,包括词典分词的实现细节,以及如何通过HMM等统计模型来解决词典分词的不足,对于学习者理解中文自然语言处理中的这一关键步骤具有很高的价值。宋胜利教授的指导对学生来成恩的学习无疑是一次深入且系统的体验。
2018-12-17 上传
结巴分词早期版本。 * 结巴分词(java版) jieba-analysis 首先感谢jieba分词原作者[[https://github.com/fxsjy][fxsjy]],没有他的无私贡献,我们也不会结识到结巴 分词,更不会有现在的java版本。 结巴分词的原始版本为python编写,目前该项目在github上的关注量为170, 打星727次(最新的数据以原仓库为准),Fork238次,可以说已经有一定的用户群。 结巴分词(java版)只保留的原项目针对搜索引擎分词的功能(cut_for_index、cut_for_search),词性标注,关键词提取没有实现(今后如用到,可以考虑实现)。 * 简介 ** 支持分词模式 - Search模式,用于对用户查询词分词 - Index模式,用于对索引文档分词 ** 特性 - 支持多种分词模式 - 全角统一转成半角 - 用户词典功能 - conf 目录有整理的搜狗细胞词库 - 支持词性标注(感谢 [[https://github.com/linkerlin][@linkerlin]] 的贡献) * 如何获取 - 当前稳定版本 #+BEGIN_SRC xml com.huaban jieba-analysis 0.0.2 #+END_SRC - 当前快照版本 - 支持词性标注 [[https://github.com/huaban/jieba-analysis/pull/4][#4]] - 修复以'-'连接词分词错误问题 [[https://github.com/huaban/jieba-analysis/issues/3][#3]] #+BEGIN_SRC xml com.huaban jieba-analysis 1.0.0-SNAPSHOT #+END_SRC * 如何使用 - Demo #+BEGIN_SRC java @Test public void testDemo() { JiebaSegmenter segmenter = new JiebaSegmenter(); String[] sentences = new String[] {"这是一个伸手不见五指的黑夜。我叫孙悟空,我爱北京,我爱Python和C++。", "我不喜欢日本和服。", "雷猴回归人间。", "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作", "结果婚的和尚未结过婚的"}; for (String sentence : sentences) { System.out.println(segmenter.process(sentence, SegMode.INDEX).toString()); } } #+END_SRC * 算法(wiki补充...) - [ ] 基于 =trie= 树结构实现高效词图扫描 - [ ] 生成所有切词可能的有向无环图 =DAG= - [ ] 采用动态规划算法计算最佳切词组合 - [ ] 基于 =HMM= 模型,采用 =Viterbi= (维特比)算法实现未登录词识别 * 性能评估 - 测试机配置 #+BEGIN_SRC screen Processor 2 Intel(R) Pentium(R) CPU G620 @ 2.60GHz Memory:8GB 分词测试时机器开了许多应用(eclipse、emacs、chrome...),可能 会影响到测试速度 #+END_SRC - [[src/test/resources/test.txt][测试文本]] - 测试结果(单线程,对测试文本逐行分词,并循环调用上万次) #+BEGIN_SRC screen 循环调用一万次 第一次测试结果: time elapsed:12373, rate:2486.986533kb/s, words:917319.94/s 第二次测试结果: time elapsed:12284, rate:2505.005241kb/s, words:923966.10/s 第三次测试结果: time elapsed:12336, rate:2494.445880kb/s, words:920071.30/s 循环调用2万次 第一次测试结果: time elapsed:22237, rate:2767.593144kb/s, words:1020821.12/s 第二次测试结果: time elapsed:22435, rate:2743.167762kb/s, words:1011811.87/s 第三次测试结果: time elapsed:22102, rate:2784.497726kb/s, words:1027056.34/s 统计结果:词典加载时间1.8s左右,分词效率每秒2Mb多,近100万词。 2 Processor Intel(R) Core(TM) i3-2100 CPU @ 3.10GHz 12G 测试效果 time elapsed:19597, rate:3140.428063kb/s, words:1158340.52/s time elapsed:20122, rate:3058.491639kb/s, words:1128118.44/s #+END_SRC