文本特征的选择和提取，是传统文本分类的核心内容。

最近在做文本的特征工程构建，陆陆续续搜集到一些公认的对文本表征能力比较强的特征，比如频次法、tf-idf、互信息方法、N-Gram、Word2Vec等，文本特征包含以上这些但也不限于这些。

其中，关于Word2Vec在文本分类特征提取之Word2Vec中已经有个原理性认识了，word2vec采用的是n元语法模型(n-gram model)，即假设一个词只与周围n个词有关，而与文本中的其他词无关。

所谓的语言模型，就是指对自然语言进行假设和建模，使得能够用计算机能够理解的方式来表达自然语言。

本文在对Word2Vec的基础上，倒推来看看这个N元语法模型，也就是N-Gram模型。

N-Gram是基于一个假设：

第n个词出现与前n-1个词相关，而与其他任何词不相关。（这也是隐马尔可夫当中的假设。）整个句子出现的概率就等于各个词出现的概率乘积。各个词的概率可以通过语料中统计计算得到。假设句子T是有词序列w1,w2,w3...wn组成，用公式表示N-Gram语言模型如下：

P(T)=P(w1)*p(w2)*p(w3)...p(wn)=p(w1)*p(w2|w1)*p(w3|w1w2)...p(wn|w1w2w3...)

一般常用的N-Gram模型是Bi-Gram和Tri-Gram。分别用公式表示如下：

Bi-Gram：P(T)=p(w1|begin)*p(w2|w1)*p(w3|w2)...p(wn|wn-1)

Tri-Gram：P(T)=p(w1|begin1,begin2)*p(w2|w1,begin1)*p(w3|w2w1)...p(wn|wn-1,wn-2)

• 注意上面概率的计算方法：P(w1|begin)=以w1为开头的所有句子/句子总数；p(w2|w1)=w1,w2同时出现的次数/w1出现的次数。以此类推。（这里需要进行平滑）

根据上面的分析，N-Gram/N元模型是自然语言处理中一个非常重要的概念，通常在NLP中，它主要有两个重要应用场景：

1、人们基于一定的语料库，可以利用N-Gram来预计或者评估一个句子是否合理。

2、另外一方面，N-Gram的另外一个作用是用来评估两个字符串之间的差异程度。

这是模糊匹配中常用的一种手段。

1、N-gram在两个字符串的模糊匹配中的应用

首先需要介绍一个比较重要的概念：N-Gram距离。它是表示，两个字符串s，t分别利用N-Gram语言模型来表示时，则对应N-gram子串中公共部分的长度就称之为N-Gram距离。

例如：假设有字符串s，那么按照N-Gram方法得到N个分词组成的子字符串，其中相同的子字符串个数作为N-Gram距离计算的方式。具体如下所示：

字符串：s="ABC"，对字符串进行分词，考虑字符串首尾的字符begin和end，得到begin，A，B，C，end。这里采用二元语言模型，则有：（begin,A）、（A,B）、（B,C）、（C,end）。

字符串：t="AB"，对字符串进行分词，考虑字符串首尾的字符begin和end，得到begin，A，B，end。这里采用二元语言模型，则有：（begin,A）、（A,B）、（B,end）。

此时，若求字符串t与字符串s之间的距离可以用M-(N-Gram距离)=0。

然而，上面的N—gram距离表示的并不是很合理，他并没有考虑两个字符串的长度，所以在此基础上，有人提出非重复的N-gram距离，公式如下所示：

上面的字符串距离重新计算为：

4+3-2*3=1

2、N-Gram在判断句子有效性上的应用

假设有一个字符串s="ABC"，则对应的BI-Gram的结果如下：（begin,A）、（A,B）、（B,C）、（C,end）。则对应的出现字符串s的概率为：

P(ABC)=P(A|begin)*P(B|A)*P(C|B)*P(end|C)。

优点：它包含了前N-1个词所能提供的全部信息，这些词对于当前词的出现具有很强的约束力。

缺点：需要相当规模的训练文本来确定模型的参数。当N很大时，模型的参数空间过大。所以常见的N值一般为1,2。还有因数据稀疏而导致的数据平滑问题，解决方法主要是使所有的N-gram概率之和为1和使所有的N-gram概率都不为0。

与Word2Vec：

除此之外，与连续空间的词表示法语言学规则模型对比（例如word2vec构建出的词向量），N-gram语言模型还有以下的局限性：

N-gram模型是根据相互之间没有任何遗传属性的离散单元词而构建，从而不具备连续空间中的词向量所满足的语义上的优势（相似意义的词语具有相似的词向量，从而当系统模型针对某一词语或词序列调整参数时，相似意义的词语和词序列也会发生改变）。

因此，如果在已知关键词权重非常大的情况下，使用N-gram模型或许比较合适。

文本分类特征提取之Word2Vec

干货|免费文本语料训练数据集

既生Mahout，何生Spark MLlib ？

官宣：谷歌 AI 中国中心在北京成立

干货|免费文本语料训练数据集

... ...

从明天起，和每一位亲人通信

告诉他们我的幸福

陌生人，我也为你祝福

愿你有一个灿烂的前程

愿你在尘世获得幸福

更多干货内容请关注微信公众号“AI 深入浅出”

长按二维码关注