自然语言处理的基本问题——分词问题

注：本文选自人民邮电出版社出版的《PyTorch自然语言处理入门与实战》一书，略有改动。经出版社授权刊登于此。

      处理中文与英文的一个显著区别是中文的词之间缺乏明确的分隔符。分词是中文自然语言处理中的一个重要问题，但是分词本身也是困难的，同样面临着自然语言处理的基本问题，如歧义、未识别词等。

   本内容主要涉及的知识点有：

•  中文分词概述。
•  分词方法的原理。
•  使用第三方工具分词。

01 中文分词

       中文分词的困难主要是因为自然语言的多样性。首先，分词可能没有标准答案，对于某些句子不同的人可能会有不同的分词方法，且都有合理性。其次，合理的分词可能需要一些额外的知识，如常识或者语境。最后，句子可能本身有歧义，不同的分词会产生不同的意义。

中文的语言结构

     中文的语言结构可大致分为字、语素、词、句子、篇章这几个层次。如果再细究，字还可以划分为部首、笔画或者读音方面的音节。我们主要看字、语素和词。

     语素就是有具体意义的最小的语言单元，很多汉字都有自身的意义，它们本身就是语素。例如“自然”是一个语素，不能拆分，“自”和“然”分开就不再具有原来的意义了；还有很多由一个字构成的语素，如“家”“人”本身就有明确意义。

     可以把语素组合起来构成词语，如上面提到的“家”和“人”一起组成“家人”，这是两个语素的意义的融合。通过一些规则来组合语素可以构成大量词。中文有多种多样的构词法，这实际上给按照词表分词的方法带来了困难。因为难以用一个词表包含可能出现的所有词语。

未收录词

      用词表匹配的方式分词简单且高效，但问题是无法构造一个包含所有可能出现的词语的词表。词的总量始终在增加，总有新的概念和词语出现，比如语言新的流行用法，以及人名、地名和其他的实体名（如新成立的公司的名字）等。

      还有一些习惯用法，如表达“吃饭”，我们可以说“我现在去吃饭”，也可以说“我现在去吃个饭”，还可以说“我这就去吃了个饭”。在问句里可以说“你去不去吃饭?”，或者“你吃不吃饭?”。“吃个饭”“跑个步”“打个球”这类词语都是变化而来的。

歧义

     即使有了比较完善的词表，分词还受到歧义问题的影响，同一个位置可能匹配多个词。

     中国古文中原本没有标点。文言文中常会看到一些没有意义的语气词，可以用于帮助断句。但是实际上有很多古文的断句至今仍有争议。

      比如“下雨天留客天留我不留”这句话，不同的分词方法就有不同的意义。如：下雨天/留客/天留/我不留，意思就是“下雨天要留下客人，天想留客，但我却不要留”；下雨天/留客天/留我不/留，意思就变成了“下雨的天也是留客人的天，要留我吗？留啊！”

       这个例子比较夸张，通过特地挑选的词语构造出一个有明显歧义的句子，类似的例子还有很多，而且实际上我们生活中遇到的很多句子在分词上都可能产生歧义。歧义可以通过经验来解决，有一些歧义虽然语义能讲通，但是可能不合逻辑或者与事实不符，又或者和上下文语境冲突，所以人可以排除掉这些歧义。这就说明了想要排除歧义，仅仅通过句子本身是不够的，往往需要上下文、生活常识等。

02 分词原理

       中文分词很困难，但是对于语言的处理有很大意义，虽然第5章中介绍的例子并没有分词，但是一般来说如果采用合适的分词方法，可以在自然语言处理任务上取得更好的效果。

基于词典匹配的分词

       这个方法比较简单，执行效率高。具体的方法就是按一定顺序扫描语料，同时在词典中查询当前的文字是否构成一个词语，如果构成则把这个词语切分出来。显然，该方法有两个关键点：词典，匹配规则。

      词典容易理解，就是把可能出现的词语放到一个数据结构中，等待和语料的比较。例如，可以定义如下词表：{“今天”, “学习”, “天天”, “天气”, “钢铁”, “钢铁厂”, “我们”, “塑钢”}。词表可能需要手工标注给出。

      按照匹配规则可分为以下三种具体的算法。

1．最大正向匹配

        从开头扫描语料，并匹配词典，遇到最长的匹配时停止匹配[海1] 。例如采用上面定义的词表，使用最大正向匹配给“今天我们参观钢铁厂的车间”这句话分词，得到的结果将是：今天/我们/参观/钢铁厂/的/车/间。

       这里算法先匹配到了“钢铁”，然后会尝试匹配“钢铁厂”，发现钢铁厂也在词表中。然后则继续匹配“钢铁厂的”，发现这个词不在词表中，那么则把找到的最长结果“钢铁厂”而不是最早匹配到的“钢铁”切分出来。

       如果不用最大匹配而使用最小匹配，即一发现这个词就立刻切分，则这个词表中的钢铁厂永远都不会用到。

      另外，这个例子中“车间”也是一个词语，但是词表中没有收录，所以无法正确地切分出来。切分的效果跟词表有很大关系。

       同样地，要给句子“今天天气很好”分词，结果为：今天/天气/很/好。虽然“天天”也在词表中，但是不会被匹配，因为匹配到“今天”之后，就从“天气”开始继续匹配了，算法不会查找“天天”是否在词表中。

2. 最大逆向匹配

      与最大正向匹配类似，只是扫描的方向是从后向前，在某些情况下会给出与最大正向匹配不同的结果，如“台塑钢铁厂”，台塑是钢铁厂的名字。还是用最初的词表，最大正向匹配的结果为：台/塑钢/铁/厂；最大逆向匹配则得到一个更合理的结果：台/塑/钢铁厂。

3. 双向最大匹配

      结合前面两种方法做匹配。这样可以通过两种匹配方式得到结果中的不同之处发现分词的歧义。

4. 最小切分法

       这种方法要求句子切分结果是按照词典匹配后切分数量[海2] 最少的一种[海3] 情况。这样可以保证尽量多的匹配词典中的词汇。因为无论是正向匹配还是逆向匹配，都有可能把正常的词切开从而导致一些词语无法被匹配到。

基于概率的分词     

       这种方法不依赖于词典。但是需要从给定的语料中学习词语的统计关系。这种方法的思想是比较不同分词方法可能出现的概率。这个概率则根据最初给定的语料计算来估计。目标就是找到一种概率最高的分法，就认为这种分发是最佳的分词。这种方法的好处是可以结合整个句子的字符共同计算概率。

       例如，有一个包含很多文字、经过人工分词之后的语料，可以先统计采用不同分词方法后词语共同出现的频率[海1] 。之后再给定待分词的语料，枚举可能的分词结果，根据之前统计的频率来估算这种分词结果出现的概率，并选择出现概率最高的分词结果作为最终结果。

       例如，句子“并广泛动员社会各方面的力量”，可以先根据一个词表找出几种可能的分词方法：

      ['并', '广泛', '动员', '社会', '各', '方面', '的', '力量']

      ['并', '广泛', '动员', '社会', '各方', '面', '的', '力量']

     ['并', '广泛', '动员', '社会', '各方', '面的', '力量']

     然后可以根据这些词语共同出现的频率找到最可能的情况，选择一个最终结果。

      利用该方法分词的示例代码如下。

#!/usr/bin/env python3
import sys
import os
import time


class TextSpliter(object):
    def __init__(self, corpus_path, encoding='utf8', max_load_word_length=4):
        self.dict = {}
        self.dict2 = {}
        self.max_word_length = 1
        begin_time = time.time()
        print('start load corpus from %s' % corpus_path)
        # 加载语料
 with open(corpus_path, 'r', encoding=encoding) as f:
            for l in f:
                l.replace('[', '')
                l.replace(']', '')
                wds = l.strip().split('  ')


                last_wd = ''
                for i in range(1, len(wds)): # 下标从1开始，因为每行第一个词是标签
                    try:
                        wd, wtype = wds[i].split('/')
                    except:
                        continue
                    if len(wd) == 0 or len(wd) > max_load_word_length or not wd.isalpha():
                        continue
                    if wd not in self.dict:
                        self.dict[wd] = 0
                        if len(wd) > self.max_word_length:
                            # 更新最大词长度
                            self.max_word_length = len(wd)
                            print('max_word_length=%d, word is %s' %(self.max_word_length, wd))
                    self.dict[wd] += 1
                    if last_wd:
                        if last_wd+':'+wd not in self.dict2:
                            self.dict2[last_wd+':'+wd] = 0
                        self.dict2[last_wd+':'+wd] += 1
                    last_wd = wd
        self.words_cnt = 0
        max_c = 0
        for wd in self.dict:
            self.words_cnt += self.dict[wd]
            if self.dict[wd] > max_c:
                max_c = self.dict[wd]
        self.words2_cnt = sum(self.dict2.values())
        print('load corpus finished, %d words in dict and frequency is %d, %d words in dict2 frequency is %d' % (len(self.dict),len(self.dict2), self.words_cnt, self.words2_cnt), 'msg')
        print('%f seconds elapsed' % (time.time()-begin_time), 'msg')


    def split(self, text):
        sentence = ''
        result = ''
        for ch in text:
            if not ch.isalpha():
                result += self.__split_sentence__(sentence) + ' ' + ch + ' '
                sentence = ''
            else:
                sentence += ch
        return result.strip(' ')


    def __get_a_split__(self, cur_split, i):
        if i >= len(self.cur_sentence):
            self.split_set.append(cur_split)
            return
  j = min(self.max_word_length, len(self.cur_sentence) - i + 1)
        while j > 0:
            if j == 1 or self.cur_sentence[i:i+j] in self.dict:
                self.__get_a_split__(cur_split + [self.cur_sentence[i:i+j]], i+j)
                if j == 2:
                    break
            j -= 1


def __get_cnt__(self, dictx, key):
    # 获取出现次数
        try:
            return dictx[key] + 1
        except KeyError:
            return 1


    def __get_word_probablity__(self, wd, pioneer=''):
        if pioneer == '':
            return self.__get_cnt__(self.dict, wd) / self.words_cnt
        return self.__get_cnt__(self.dict2, pioneer + ':' + wd) / self.__get_cnt__(self.dict, pioneer)


    def __calc_probability__(self, sequence):
        probability = 1
        pioneer = ''
        for wd in sequence:
            probability *= self.__get_word_probablity__(wd, pioneer)
            pioneer = wd
        return probability


    def __split_sentence__(self, sentence):
        if len(sentence) == 0:
            return ''
        self.cur_sentence = sentence.strip()
        self.split_set = []
        self.__get_a_split__([], 0)
        print(sentence + str(len(self.split_set)))
        max_probability = 0
        for splitx in self.split_set:
            probability = self.__calc_probability__(splitx)  # 计算概率
            print(str(splitx)+ ' - ' +str(probability))
            if probability > max_probability:  # 测试是否超过当前记录的最高概率
                max_probability = probability
                best_split = splitx
        return ' '.join(best_split)  # 把list 拼接为字符串


if __name__ == '__main__':
    btime = time.time()
    base_path = os.path.dirname(os.path.realpath(__file__))
    spliter = TextSpliter(os.path.join(base_path, '199801.txt'))
    with open(os.path.join(base_path, 'test.txt'), 'r', encoding='utf8') as f:
        with open(os.path.join(base_path, 'result.txt',), 'w', encoding='utf8') as fr:
            for l in f:
                fr.write(spliter.split(l))
    print ('time elapsed %f' % (time.time() - btime))

基于机器学习的分词

     这种方法的缺点是需要标注好的语料做训练数据训练分词模型。模型可以对每个字符输出标注，表示这个字符是否是新的词语的开始。例如下面介绍到的结巴分词工具就使用了双向GRU模型做分词。

03 使用第三方工具分词

     上一节给出了分词的基本方法，这些基本的方法在实际应用中往往不能取得最好的效果，可以简单地借助一些第三方工具完成分词任务。

S-MSRSeg

    S-MSRSeg是微软亚洲研究院自然计算语言计算组（Natural Language Computing Group）开发并于2004年发布的中文分词工具，是MSRSeg的简化版本，S-MSRSeg没有提供新词识别等功能。

   S-MSRSeg不是开源软件，但是可免费下载，下载地址为https://www.microsoft.com/en-us/download/details.aspx?id=52522。

  下载并解压后需要建立一个data文件夹，把“lexicon.txt”“ln.bbo”“neaffix.txt”“neitem.txt”“on.bbo”“peinfo.txt”“pn.bbo”“proto.tbo”“table.bin”文件放入该文件夹中。然后把要分词的文件放入一个文本文件中，比如新建一个test.txt文件，但是这个文件需要使用GBK编码，如果使用UTF8编码则会导致无法识别。比如写入以下几个句子。

并广泛动员社会各方面的力量
今天我们参观台塑钢铁厂的车间
今天天气很好
我这会先去吃个饭

      然后在当前文件夹下打开cmd窗口，输入命令“s-msrseg.exe test.txt”开始分词，结果如图1所示。

图1  S-MSRSeg输出的结果

    压缩包内的“msr.gold.1k.txt”文件是1千句已经手工分词的中文句子，而“msr.raw.1k.txt”则是没有分词的句子。

     “cl-05.gao.pdf”是详细介绍该工具原理的论文Chinese Word Segmentation and Named Entity Recognition: A Pragmatic Approach。

注意：保存文本文件时需要手动选择编码为GBK或ANSI，否则工具无法正常识别文本，可能会出现乱码。

 ICTCLAS

   ICTCLAS是中科院开发的开源的汉语分词系统，官方网站是http://ictclas.nlpir.org/，代码仓库地址为https://github.com/NLPIR-team/NLPIR，而ICTCLAS的源码位于https://github.com/NLPIR-team/nlpir-analysis-cn-ictclas。

      因为该工具使用Java开发，可以直接下载打包好的jar文件。源码仓库中有使用说明和代码示例。

 结巴分词

    这是使用Python开发的开源中文分词工具，代码仓库地址为：https://github.com/fxsjy/jieba。

        可使用pip命令安装：pip install jieba。

       结巴分词支持四种模式：精确模式，可以实现较高精度的分词，有解决歧义的功能；全模式，可以把句子中所有词语都扫描出来，但是不解决歧义，这种模式的优点是速度快；搜索引擎模式，可以在精确模式的基础上对长词再切分，有利于搜索引擎的匹配；paddle模式，使用百度的飞桨框架实现的基于机器学习的分词，并可以标注词语的词性。

       基本的使用方法如下。

import jieba
print('/'.join(list(jieba.cut("并广泛动员社会各方面的力量"))))

       jieba.cut是用于分词的函数，返回的是一个生成器，可以使用list构造器把生成器转换为list，然后使用join方法合成一个字符串便于展示，上面代码执行的结果如下。

Building prefix dict from the default dictionary ...
Dumping model to file cache C:\Users\sxwxs\AppData\Local\Temp\jieba.cache
Loading model cost 0.969 seconds.
Prefix dict has been built successfully.
'并/广泛/动员/社会/各/方面/的/力量'

pkuseg

     使用pkuseg默认配置进行分词的代码如下。

import pkuseg
seg = pkuseg.pkuseg()           # 以默认配置加载模型
text = seg.cut('并广泛动员社会各方面的力量')  # 进行分词
print(text)

     输出的结果如下。

['并', '广泛', '动员', '社会', '各', '方面', '的', '力量']

     还可以开启词性标注模式。

import pkuseg
seg = pkuseg.pkuseg(postag=True)  # 开启词性标注功能
text = seg.cut('并广泛动员社会各方面的力量')    # 进行分词和词性标注
print(text)

     输出的结果如下。

[('并', 'c'), ('广泛', 'ad'), ('动员', 'v'), ('社会', 'n'), ('各', 'r'), ('方面', 'n'), ('的', 'u'), ('力量', 'n')]

      pkuseg词性符号的对应关系如表1所示。

   另外还可以通过pkuseg方法的model_name参数指定特定领域的模型。该方法的可选参数如表2所示。

     使用词性分析或者其他一些参数可能需要额外下载模型，会在需要时自动下载。或者可以到项目的Releas 页面下载：https://github.com/lancopku/pkuseg-python/releases。