快捷導(dǎo)航

Python預(yù)測(cè)分詞的實(shí)現(xiàn)

更新時(shí)間：2021年06月17日 16:57:31 作者：一天一篇Python庫(kù)

本文將結(jié)合實(shí)例代碼，介紹Python預(yù)測(cè)分詞的實(shí)現(xiàn)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

前言

在機(jī)器學(xué)習(xí)中，我們有了訓(xùn)練集的話，就開(kāi)始預(yù)測(cè)。預(yù)測(cè)是指利用模型對(duì)句子進(jìn)行推斷的過(guò)程。在中文分詞任務(wù)中也就是利用模型推斷分詞序列，同時(shí)也叫解碼。

在HanLP庫(kù)中，二元語(yǔ)法的解碼由ViterbiSegment分詞器提供。本篇將詳細(xì)介紹ViterbiSegment的使用方式

加載模型

在前篇博文中，我們已經(jīng)得到了訓(xùn)練的一元，二元語(yǔ)法模型。后續(xù)的處理肯定會(huì)基于這幾個(gè)文件來(lái)處理。所以，我們首先要做的就是加載這些模型到程序中：

if __name__ == "__main__":
    MODEL_PATH = "123"
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
    CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
    print(CoreDictionary.getTermFrequency("秦機(jī)"))
    print(CoreBiGramTableDictionary.getBiFrequency("秦機(jī)","的"))

運(yùn)行之后，效果如下：

這里我們使用CoreDictionary.getTermFrequency()方法獲取”秦機(jī)“的頻次。使用CoreBiGramTableDictionary.getBiFrequency()方法獲取“秦機(jī) 的”的二元語(yǔ)法頻次。

構(gòu)建詞網(wǎng)

在前文中我們介紹了符號(hào)“末##末“，代表句子結(jié)尾，”始##始“代表句子開(kāi)頭。而詞網(wǎng)指的是句子中所有一元語(yǔ)法構(gòu)成的網(wǎng)狀結(jié)構(gòu)。比如MSR詞典中的“秦機(jī)和科技”這個(gè)句子，是給定的一元詞典。我們將句子中所有單詞找出來(lái)。得到如下詞網(wǎng)：

[始##始]
[秦機(jī)]
[]
[和，和科]
[科技]
[技]
[末##末]

對(duì)應(yīng)的此圖如下所示：

當(dāng)然，這里博主只是舉例說(shuō)明詞網(wǎng)的概念，“和科”并不是一個(gè)單詞。

下面，我們來(lái)通過(guò)方法構(gòu)建詞網(wǎng)。具體代碼如下：

def build_wordnet(sent, trie):
    JString = JClass('java.lang.String')
    Vertex = JClass('com.hankcs.hanlp.seg.common.Vertex')
    WordNet = JClass('com.hankcs.hanlp.seg.common.WordNet')
    searcher = trie.getSearcher(JString(sent), 0)
    wordnet = WordNet(sent)
    while searcher.next():
        wordnet.add(searcher.begin + 1,
                    Vertex(sent[searcher.begin:searcher.begin + searcher.length], searcher.value, searcher.index))
    # 原子分詞，保證圖連通
    vertexes = wordnet.getVertexes()
    i = 0
    while i < len(vertexes):
        if len(vertexes[i]) == 0:  # 空白行
            j = i + 1
            for j in range(i + 1, len(vertexes) - 1):  # 尋找第一個(gè)非空行 j
                if len(vertexes[j]):
                    break
            wordnet.add(i, Vertex.newPunctuationInstance(sent[i - 1: j - 1]))  # 填充[i, j)之間的空白行
            i = j
        else:
            i += len(vertexes[i][-1].realWord)

    return wordnet


if __name__ == "__main__":
    MODEL_PATH = "123"
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
    CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
    print(build_wordnet("秦機(jī)和科技", CoreDictionary.trie))

運(yùn)行之后，我們會(huì)得到與上圖歸納差不多的內(nèi)容：

維特比算法

如果現(xiàn)在我們賦予上述詞圖每條邊以二元語(yǔ)法的概率作為距離，那么如何求解詞圖上的最短路徑就是一個(gè)關(guān)鍵問(wèn)題。

假設(shè)文本長(zhǎng)度為n，則一共有2（n-1次方）種切分方式，因?yàn)槊?個(gè)字符間都有2種選擇：切或者不切，時(shí)間復(fù)雜度就為O(2(n-1次方))。顯然不切實(shí)際，這里我們考慮使用維特比算法。

維特比算法原理：它分為前向和后向兩個(gè)步驟。

前向：由起點(diǎn)出發(fā)從前往后遍歷節(jié)點(diǎn)，更新從起點(diǎn)到該節(jié)點(diǎn)的最下花費(fèi)以及前驅(qū)指針
后向：由終點(diǎn)出發(fā)從后往前回溯前驅(qū)指針，取得最短路徑

維特比算法用python代碼的實(shí)現(xiàn)如下：

def viterbi(wordnet):
    nodes = wordnet.getVertexes()
    # 前向遍歷
    for i in range(0, len(nodes) - 1):
        for node in nodes[i]:
            for to in nodes[i + len(node.realWord)]:
                # 根據(jù)距離公式計(jì)算節(jié)點(diǎn)距離，并維護(hù)最短路徑上的前驅(qū)指針from
                to.updateFrom(node)
    # 后向回溯
    # 最短路徑
    path = []
    # 從終點(diǎn)回溯
    f = nodes[len(nodes) - 1].getFirst()
    while f:
        path.insert(0, f)
        # 按前驅(qū)指針from回溯
        f = f.getFrom()
    return [v.realWord for v in path]

實(shí)戰(zhàn)

現(xiàn)在我們來(lái)做個(gè)測(cè)試，我們?cè)趍sr_test_gold.utf8上訓(xùn)練模型，為秦機(jī)和科技常見(jiàn)詞圖，最后運(yùn)行維特比算法。詳細(xì)代碼如下所示：

if __name__ == "__main__":
    MODEL_PATH = "123"
    corpus_path = r"E:\ProgramData\Anaconda3\Lib\site-packages\pyhanlp\static\data\test\icwb2-data\gold\msr_test_gold.utf8"
    train_model(corpus_path, MODEL_PATH)
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
    CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
    ViterbiSegment = JClass('com.hankcs.hanlp.seg.Viterbi.ViterbiSegment')
    MODEL_PATH = "123"
    HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
    HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
    sent = "秦機(jī)和科技"
    wordnet = build_wordnet(sent, CoreDictionary.trie)
    print(viterbi(wordnet))