中文分词算法简介

Published:

与大部分印欧语系的语言不同,中文在词与词之间没有任何空格之类的显示标志指示词的边界。因此,中文分词是很多自然语言处理系统中的基础模块和首要环节。

下面以jieba的示例给读者一个对分词的感性认识。

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【新词识别】:他, 来到, 了, 网易, 杭研, 大厦

【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

中文分词的方法和评价指标

从20世纪80年代或更早的时候起,学者们研究了很多的分词方法,这些方法大致可以分为三大类:

  • 基于词表的分词方法
    • 正向最大匹配法(forward maximum matching method, FMM)
    • 逆向最大匹配法(backward maximum matching method, BMM)
    • N-最短路径方法
  • 基于统计模型的分词方法
    • 基于N-gram语言模型的分词方法
  • 基于序列标注的分词方法
    • 基于HMM的分词方法
    • 基于CRF的分词方法
    • 基于词感知机的分词方法
    • 基于深度学习的端到端的分词方法

在中文分词领域,比较权威且影响深远的评测有 SIGHAN - 2nd International Chinese Word Segmentation Bakeoff。它提供了2份简体中文和2份繁体中文的分词评测语料。

CorpusCharsetTrain Set Word Types/CountsTest Set Word CountOOV Rate
Academia Sinicazh-CHT141K/5.45M19K/122K0.046
City University of Hong Kongzh-CHT69K/1.46M9K/41K0.074
Peking Universityzh-CHS55K/1.11M13K/104K0.058
Microsoft Researchzh-CHS88K/2.37M13K/107K0.026

Sighan中采用的评价指标包括:

  • 准确率(Precision)
  • 召回率(Recall)
  • F-测度(F-measure)
  • 未登录词的召回率($R_{OOV}$)
  • 词典词的召回率($R_{IV}$)

各指标计算公式如下:

\[Precision=\frac{WordCount(CorrectResults)}{WordCount(TrainSet)}\] \[Recall==\frac{WordCount(CorrectResults)}{WordCount(TestSet)}\] \[F1=\frac{2*P*R}{P+R}\]

根据THULAC,目前各分词工具在sighan上的评测结果如下:

  • msr_test
AlgorithmTimePrecisionRecallF-Measure
LTP-3.2.03.21s0.8670.8960.881
ICTCLAS(2015版)0.55s0.8690.9140.891
jieba(C++版)0.26s0.8140.8090.811
THULAC_lite0.62s0.8770.8990.888
  • pku_test
AlgorithmTimePrecisionRecallF-Measure
LTP-3.2.03.83s0.9600.9470.953
ICTCLAS(2015版)0.53s0.9390.9440.941
jieba(C++版)0.23s0.8500.7840.816
THULAC_lite0.51s0.9440.9080.926

各分词方法的细节

正向最大匹配法(FMM)

0123456789
posremain charactersstart charactermax matching
0我毕业于北京邮电⼤学
1毕业于北京邮电⼤学毕业
3于北京邮电⼤学
4北京邮电⼤学北京邮电⼤学

正向最大匹配法,顾名思义,对于输入的一段文本从左至右、以贪心的方式切分出当前位置上长度最大的词。正向最大匹配法是基于词典的分词方法,其分词原理是:单词的颗粒度越大,所能表示的含义越确切。

负向最大匹配法(BMM)

0123456789
posremain charactersstart charactermax matching
4我毕业于北京邮电⼤学北京邮电大学
3我毕业于
1我毕业毕业
0

反向最大匹配法的基本原理与正向最大匹配法类似,只是分词顺序变为从右至左。容易看出,FMM或BMM对于一些有歧义的词处理能力一般。举个例子:结婚的和尚未结婚的,使用FMM很可能分成结婚/的/和尚/未/结婚/的为人民办公益,使用BMM可能会分成为人/民办/公益
虽然在部分文献和软件实现中指出,由于中文的性质,反向最大匹配法优于正向最大匹配法。在成熟的工业界应用上几乎不会直接使用FMM、BMM作为分词模块的实现方法。

基于N-gram语言模型的分词方法

由于歧义的存在,一段文本存在多种可能的切分结果(切分路径),FMM、BMM使用机械规则的方法选择最优路径,而N-gram语言模型分词方法则是利用统计信息找出一条概率最大的路径。

wordseg DAG

上图为南京市长江大桥的全切分有向无环图(DAG)。可以看到,可能的切分路径有:

  • 南京/市/长江/大桥
  • 南京/市/长江大桥
  • 南京市/长江/大桥
  • 南京市/长江大桥
  • 南京/市长/江/大桥
  • 南京/市长/江大桥
  • 南京市长/江/大桥
  • 南京市长/江大桥

假设随机变量$S$为一个汉字序列,$W$是$S$上所有可能的切分路径。对于分词,实际上就是求解使条件概率$P(W|S)$最大的切分路径$W^{*}$,即

\[W^{*}=\arg\max_\W P(W|S)\]

根据贝叶斯公式,

\[W^{*}=\arg\max_\W \frac{P(W)P(S|W)}{P(S)}\]

由于$P(S)$为归一化因子,$P(S|W)$恒为1,因此只需要求解$P(W)$。

$P(W)$使用N-gram语言模型建模,定义如下(以Bi-gram为例):

\[P(W)=P(w_{1}w_{2}\cdots w_{T})= P(w_{1})*P(w_{2}|w_{1})\cdots *P(w_{T}|w_{T-1}) =\prod_{t=1}^{T}\widehat{P}(w_{t}|w_{1}^{t-1})\]

至此,各切分路径的好坏程度(条件概率$P(W|S)$)可以求解。简单的,可以根据DAG枚举全路径,暴力求解最优路径;也可以使用动态规划的方法求解,jieba中不带HMM新词发现的分词,就是DAG + Uni-gram的语言模型 + 后向DP的方式进行的。

基于HMM的分词方法

接下来介绍的几种分词方法都属于由字构词的分词方法,由字构词的分词方法思想并不复杂,它是将分词问题转化为字的分类问题(序列标注问题)。从某些层面讲,由字构词的方法并不依赖于事先编制好的词表,但仍然需要分好词的训练语料。

规定每个字有4个词位:

  • 词首 B
  • 词中 M
  • 词尾 E
  • 单字成词 S
X
YSBESBMMMME

由于HMM是一个生成式模型,X为观测序列,Y为隐序列。

\[P(X\ ,\ Y)=\prod_{t=1}^{T} P(y_{t}|y_{t-1})*P(x_{t}|y_{t})\]

wordseg HMM X Y

熟悉HMM的同学都知道,HMM有三类基本问题:

  • 预测(filter):已知模型参数和某一特定输出序列,求最后时刻各个隐含状态的概率分布,即求 $P(x(t)\ |\ y(1),\cdots,y(t))$。通常使用前向算法解决.
  • 平滑(smoothing):已知模型参数和某一特定输出序列,求中间时刻各个隐含状态的概率分布,即求 $P(x(k)\ |\ y(1),\cdots,y(t)), k<t$。通常使用forward-backward 算法解决.
  • 解码(most likely explanation): 已知模型参数,寻找最可能的能产生某一特定输出序列的隐含状态的序列. 即求 $P([x(1)\cdots x(t)]\ |\ [y(1)\cdots ,y(t)])$, 通常使用Viterbi算法解决.

分词就对应着HMM的解码问题,模型参数(转移矩阵,发射矩阵)可以使用统计方法计算得到,原始文本为输出序列,词位是隐状态序列,使用Viterbi算法求解即可。具体方法请参照参考资料#2
jieba的新词模式就是使用HMM识别未登录词的,具体做法是:针对不在词表中的一段子文本,使用HMM分词,并把HMM的分词结果加入到原始分词结果中。

基于CRF的分词方法

与HMM不同,CRF是一种判别式模型,CRF通过定义条件概率$P(Y|X)$来描述模型。基于CRF的分词方法与传统的分类模型求解很相似,即给定feature(字级别的各种信息)输出label(词位)。

\[score(l | s) = \sum_{j = 1}^m \sum_{i = 1}^n \lambda_j f_j(s, i, l_i, l_{i-1})\]

简单来说,分词所使用的是Linear-CRF,它由一组特征函数组成,包括权重$\lambda$和特征函数$f$,特征函数$f$的输入是整个句子$s$、当前pos$i$、前一个词位$l_{i-1}$,当前词位$l_{i}$。

wordseg CRF X Y

引自参考资料#3,以CRF在词性标注上的应用,给大家一个特征函数的感性认识。

  • $f_1(s, i, l_i, l_{i-1}) = 1$,如果$l_i$是副词且第i个单词以”-ly”结尾;否则$f_1=0$。该特征函数实际上描述了英语中副词“常常以-ly结尾”的特点,对应的权重$\lambda_1$应该是个较大的正数。
  • $f_4(s, i, l_i, l_{i-1}) = 1$,如果$l_{i-1}$是介词且$l_{i}$也是介词,否则$f_4=0$。对应的权重$\lambda_4$是个较大的负数,表明英语语法中介词一般不连续出现。

感性地说,CRF的一组特征函数其实就对应着一组判别规则(特征函数),并且该判别规则有不同的重要度(权重)。在CRF的实现中,特征函数一般为二值函数,其量纲由权重决定。在开源实现CRF++中,使用者需要规定一系列特征模板,然后CRF++会自动生成特征函数并训练、收敛权重。

与HMM比,CRF存在以下优点:

  • CRF可以使用输入文本的全局特征,而HMM只能看到输入文本在当前位置的局部特征
  • CRF是判别式模型,直接对序列标注建模;HMM则引入了不必要的先验信息

基于深度学习的端到端的分词方法

最近,基于深度神经网络的序列标注算法在词性标注、命名实体识别问题上取得了优秀的进展。词性标注、命名实体识别都属于序列标注问题,这些端到端的方法可以迁移到分词问题上,免去CRF的特征模板配置问题。但与所有深度学习的方法一样,它需要较大的训练语料才能体现优势。

BiLSTM-CRF

BiLSTM-CRF(参考资料#4)的网络结构如上图所示,输入层是一个embedding层,经过双向LSTM网络编码,输出层是一个CRF层。下图是BiLSTM-CRF各层的物理含义,可以看见经过双向LSTM网络输出的实际上是当前位置对于各词性的得分,CRF层的意义是对词性得分加上前一位置的词性概率转移的约束,其好处是引入一些语法规则的先验信息。

从数学公式的角度上看:

\[S(X, y)=\sum_{i=0}^{n}A_{y_i,y_{i+1}}+\sum_{i=1}^{n}P_{i,y_i}\]

其中,A是词性的转移矩阵,P是BiLSTM网络的判别得分。

\[P(y|X)=\frac{e^{s(X,y)}}{\sum_{\widetilde{y}\in Y_{x}}e^{s(X,y)}}\]

Dive into BiLSTM-CRF

因此,训练过程就是最大化正确词性序列的条件概率$P(y|X)$

类似的工作还有LSTM-CNNs-CRF(参考资料#5)。

LSMT-CNNs-CRF_part1

LSMT-CNNs-CRF_part2

参考资料

  1. 成庆, 宗. 统计自然语言处理[M]. 清华大学出版社, 2008.
  2. Itenyh版-用HMM做中文分词
  3. Introduction to Conditional Random Fields
  4. Lample G, Ballesteros M, Subramanian S, et al. Neural Architectures for Named Entity Recognition[J]. 2016:260-270.
  5. Ma X, Hovy E. End-to-end sequence labeling via bi-directional lstm-cnns-crf[J]. arXiv preprint arXiv:1603.01354, 2016.