Python怎么實(shí)現(xiàn)預(yù)測(cè)分詞

本篇內(nèi)容主要講解“Python怎么實(shí)現(xiàn)預(yù)測(cè)分詞”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“Python怎么實(shí)現(xiàn)預(yù)測(cè)分詞”吧!

目錄

• 前言

• 加載模型

• 構(gòu)建詞網(wǎng)

• 維特比算法

• 實(shí)戰(zhàn)

前言

在機(jī)器學(xué)習(xí)中，我們有了訓(xùn)練集的話，就開始預(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庫中，二元語法的解碼由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，二元語法模型。后續(xù)的處理肯定會(huì)基于這幾個(gè)文件來處理。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“代表句子開頭。而詞網(wǎng)指的是句子中所有一元語法構(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。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明詞網(wǎng)的概念，“和科”并不是一個(gè)單詞。

下面，我們來通過方法構(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)鍵問題。

假設(shè)文本長度為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))

有的人可能有疑問，因?yàn)槎Ｐ屠铮旧砭痛嬖谇貦C(jī) 和
科技這個(gè)樣本。這么做不是多此一舉嗎？那好，我們替換sent的文本內(nèi)容為“北京和廣州”，這個(gè)樣本可不在模型中。運(yùn)行之后，效果如下：

我們發(fā)現(xiàn)依然能正確的分詞為[北京 和 廣州]，這就是二元語法模型的泛化能力。至此我們走通了語料標(biāo)注，訓(xùn)練模型，預(yù)測(cè)分詞結(jié)果的完整步驟。

到此，相信大家對(duì)“Python怎么實(shí)現(xiàn)預(yù)測(cè)分詞”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！