自然语言处理NPL最大概率分词算法

NLP基于最大概率的汉语切分Ytinrete要求：基于最大概率的汉语切分目标：采用最大概率法进行汉语切分。

其中：n-gram用bigram，平滑方法至少用Laplace平滑。

输入：接收一个文本，文本名称为：corpus_for_test.txt输出：切分结果文本，其中：切分表示：用一个字节的空格“”分隔，如：我们在学习。

每个标点符号都单算一个切分单元。

输出文件名为：学号.txtBigram参数训练语料：corpus_for_train.txt注：请严格按此格式输出，以便得到正确评测结果特别注意:代码雷同问题本次作业最后得分会综合考虑：切分性能、代码、文档等几个方面。

第三次作业上交的截止时间：2014 年1月7日24:001.关于最大概率分词基本思想是：一个待切分的汉字串可能包含多种分词结果，将其中概率最大的作为该字串的分词结果。

根据：由于语言的规律性，句子中前面出现的词对后面可能出现的词有很强的预示作用。

公式1：其中 w 表示词， s 表示待切分字符串。

公式2：例如：S ：有意见分歧W1: 有/ 意见/ 分歧/W2: 有意/ 见/ 分歧/P(W1)=P(有)×P(意见)×P(分歧) ＝1.8*10-9P(W2)=P(有意)×P(见)×P(分歧) ＝1*10-11P(W1)> P(W2)所以选择 W1历史信息过长，计算存在困难p(wi|w1w2…wi-1)为了便于计算，通常考虑的历史不能太长，一般只考虑前面n-1个词构成的历史。

即： p(wi|wi-n+1…wi-1)1212(|)*()(|)()()()(,,...,)()*()*...*()i iP S W P W P W S P W P S P W P w w w P w P w P w =≈=≈n ()ii w P w =在语料库中的出现次数语料库中的总词数Nn-gramn 较大时：提供了更多的语境信息，语境更具区别性。

但是，参数个数多、计算代价大、训练语料需要多、参数估计不可靠。

n 较小时：语境信息少，不具区别性。

但是，参数个数少、计算代价小、训练语料，无需太多、参数估计可靠。

题目要求使用bigram，即考虑前一个词，即考虑左邻词。

左邻词假设对字串从左到右进行扫描，可以得到w1 ,w2 ,…,wi-1 wi,…等若干候选词，如果wi-1 的尾字跟wi 的首字邻接，就称wi-1 为wi 的左邻词。

比如上面例中，候选词“有”就是候选词“意见”的左邻词，“意见”和“见”都是“分歧”的左邻词。

字串最左边的词没有左邻词。

最佳左邻词如果某个候选词wi 有若干个左邻词wj ，wk ,…等等，其中累计概率最大的候选词称为wi 的最佳左邻词。

比如候选词“意见”只有一个左邻词“有”，因此，“有”同时也就是“意见”的最佳左邻词；候选词“分歧”有两个左邻词“意见”和“见”，其中“意见”的累计概率大于“见”累计概率，因此“意见”是“分歧”的最佳左邻词。

数据稀疏问若某n-gram在训练语料中没有出现,则该n-gram的概率必定是0。

解决的办法是扩大训练语料的规模。

但是无论怎样扩大训练语料，都不可能保证所有的词在训练语料中均出现。

由于训练样本不足而导致所估计的分布不可靠的问题，称为数据稀疏问题。

在NLP领域中，数据稀疏问题永远存在，不太可能有一个足够大的训练语料，因为语言中的大部分词都属于低频词。

解决办法: 平滑技术把在训练样本中出现过的事件的概率适当减小。

把减小得到的概率密度分配给训练语料中没有出现过的事件。

这个过程有时也称为discounting(减值)。

目前已经提出了很多数据平滑技术，如：Add-one 平滑Add-delta 平滑Witten-Bell平滑Good-Turing平滑Church-Gale平滑Jelinek-Mercer平滑Katz平滑这里我使用laplace平滑Add-one 平滑(Laplace’s law)规定任何一个n-gram在训练语料至少出现一次（即规定没有出现过的n-gram在训练语料中出现了一次）。

没有出现过的n-gram的概率不再是0。

2.算法描述1) 对一个待分词的字串S，按照从左到右的顺序取出全部候选词w1 ,w2 ,…,wi-1wi,…wn；2)到词典中查出每个候选词的概率值P(wi)，当候选词没有出现时，由laplace平滑设其概率为1/(字典数+1)，记录每个候选词的全部左邻词；3)按照公式1计算每个候选词的累计概率，同时比较得到每个候选词的最佳左邻词；4)如果当前wn是字串S的尾词，且累计概率P’(wn)最大，wn就是S的终点词。

5)从wn开始，按照从右到左的顺序，依次将每个词的最佳左邻词输出，即为S的分词结果。

3.程序设计整个程序我分为两个阶段，字典生成阶段和分词阶段。

(make_dic.cpp)字典生成：目标：输入为训练语料(corpus_for_train.txt)，输出为字典(dic.txt)，字典内容为单词和单词出现在字典中的频率，首行为词典总词数。

实现步骤：首先读入训练，通过空格和换行符作为判定，分出单个单词。

若单词没有在字典中出现，则将其加入字典，单词自身频数加一，单词总数加一；若单词在字典中出现，则单词自身频数加一。

将数据存入map中，然后再遍历map，创建一个输出流，输出为字典文件，数据为具体单词和他的出现概率（自身频数/单词总数）。

(zdgl_fenci.cpp)分词：目标：输入为字典和待切分语料（利用kill_space先将老师预先存好的待切分语料的空格和换行删去，成为为切分语料target.txt），输出为切分好的语料（2011211366.txt）。

实现步骤：首先在主函数中，循环取出待切分语料的每个句子，将句子传给分词子程序，分词子程序处理后返回分好的句子，将句子输出到文件，再取下一句，依次循环，直到处理完为止。

分词子程序，处理过程分为三步：1.将待切分的句子切成备选的切分词，并放在“单词池”中，切分标准参考一个假定的单词最大长度，程序里面我设置成20，也就是单词最长10个汉字（可以根据词典来决定），具体切分我考虑了两种，不同之处体现在对取到的单词（从一个汉字到10个汉字遍历地取），若不出现在词典中（出现在词典中的肯定会列入），第一种做法是只保留单个汉字形成的单词，另一种做法是保留全部的可能性。

若采取第一种则效率会有很大的提高，但理论上会降低准确性，第二种虽然能够考虑到所有的情况，但是数据往往是前一种的几十倍，而且对于句子中很多单词都有在词典时，分词结果几乎和前一种相同，如果句子中的所有词都能在词典中时，分词结果就一样了（laplace平滑使得未出现的概率是最低的，乘积也会最低，所以不会选择未出现的词），但会多出几十倍的运算。

两种的代码我都写出来了，考虑实际，我觉得第一种比较妥当，第二种我注释起来。

2.对“单词池”操作，通过循环的遍历，直到计算出所有的最佳左邻词。

3.在“单词池”中找出所有的句尾词，找到概率最大的，再通过左邻词，往回找，直到找到句头词，将这些词用空格分开，返回。

4.程序源码：1.kill_space.cpp将待切分文本corpus_for_test.txt变成不含空格和换行的待切分文本target.txt#include<iostream>#include<fstream>#include<map>#include<string>/*Name: 删除空格Description: 删除空格*/using namespace std;int main(){FILE *f_in, *f_out;//输入输出文件char ch;f_in=fopen("corpus_for_test.txt", "r");f_out=fopen("target.txt", "w");ch=getc(f_in);while(EOF!=ch){if(' '!=ch&&'\n'!=ch)putc(ch, f_out);ch=getc(f_in);}return 0;}2.make_dic.cpp读入训练预料corpus_for_train.txt输出词典文件dic.txt#include<iostream>#include<stdio.h>#include<fstream>#include<map>#include<string>using namespace std;const char *train_text = "corpus_for_train.txt";//训练文件const char *dic_text = "dic.txt";//输出词典文件map <string, int> dic;//词典表map <string, int>::iterator dic_it;//map<string, double> dic_in_text;//testint main(){FILE *f_in;f_in=fopen(train_text, "r");ofstream f_out(dic_text);double rate=0;int count=0;char ch;string word;ch=fgetc(f_in);while(EOF!=ch){if(' '!=ch&&'\n'!=ch)//词的一部分{word.append(1, ch);if("。

"==word)word.clear();}else//单词结束{if(" "==word||0==word.size()){word.clear();ch=fgetc(f_in);continue;}dic_it=dic.find(word);if(dic_it!=dic.end()){//找到dic_it->second=dic_it->second+1;word.clear();}else{//新单词count++;dic.insert(pair<string,int>(word,1));word.clear();}}ch=fgetc(f_in);// if('\n'==ch)//吸收换行// ch=fgetc(f_in);}f_out<<count<<endl;dic_it=dic.begin();while(dic_it!=dic.end()){f_out<<dic_it->first<<endl;rate=(double)(dic_it->second)/count;f_out<<rate<<endl;dic_it++;}f_out.close();fclose(f_in);/*测试用ifstream );int count_text;file>>count_text;string word_text;double rate_text;for(int i=0; i<count_text; i++){file>>word_text;file>>rate_text;dic_in_text.insert(pair<string,double>(word_text,rate_text));}();*/return 0;}3.zdgl_fenci.cpp读入词典dic.txt和带切分文本target.txt输出分词结果2011211366.txt#include<iostream>#include<stdio.h>#include<fstream>#include<map>#include<string>#include<vector>#include<stack>using namespace std;const char *target = "target.txt";//输入文件const char *out_put= "2011211366.txt";//输出文件const char *dic_text = "dic.txt";//输入词典文件const int max_word=20;//假设一个词最长包括10个汉字double laplace ;//laplace平滑map<string, double> dic;//词典map <string, double>::iterator dic_it;typedef struct word_pre//单词池内元素{int num;//标记int p_begin;//起始位置int p_end;//结束位置double word_rate;//单词本身概率double plus_rate;//单词累进概率int best;//最佳左邻词string this_word;//词本身}word_pre;void dic_init_test(void)//测试用{int count_text=10000000;laplace = (double)1/(count_text+1);dic.insert(pair<string,double>("有",0.018));dic.insert(pair<string,double>("有意",0.0005));dic.insert(pair<string,double>("意见",0.001));dic.insert(pair<string,double>("见",0.0002));dic.insert(pair<string,double>("分歧",0.0001)); }void dic_init(void)//初始化词典{ifstream );int count_text;file>>count_text;laplace = (double)1/(count_text+1);string word_text;double rate_text;for(int i=0; i<count_text; i++){file>>word_text;file>>rate_text;dic.insert(pair<string,double>(word_text,rate_text));}();}string zdgl_fenci(string sentance)//最大概率分词，输入为不带“。