中文分词的python实现----HMM、FMM

转自：http://blog.csdn.net/orlandowww/article/details/52706135

隐马尔科夫模型（HMM）

模型介绍

HMM模型是由一个“五元组”组成:

StatusSet: 状态值集合
ObservedSet: 观察值集合
TransProbMatrix: 转移概率矩阵
EmitProbMatrix: 发射概率矩阵
InitStatus: 初始状态分布

将HMM应用在分词上，要解决的问题是：参数(ObservedSet, TransProbMatrix, EmitRobMatrix, InitStatus)已知的情况下，求解状态值序列。解决这个问题的最有名的方法是viterbi算法。

参数介绍

StatusSet，状态值集合为(B, M, E, S): {B:begin, M:middle, E:end, S:single}。分别代表每个状态代表的是该字在词语中的位置，B代表该字是词语中的起始字，M代表是词语中的中间字，E代表是词语中的结束字，S则代表是单字成词。
ObservedSet，观察值集合就是所有汉字，甚至包括标点符号所组成的集合。
TransProbMatrix，状态转移概率矩阵的含义就是从状态X转移到状态Y的概率，是一个4×4的矩阵，即{B,E,M,S}×{B,E,M,S}。
EmitProbMatrix，发射概率矩阵的每个元素都是一个条件概率，代表P(Observed[i]|Status[j])
InitStatus，初始状态概率分布表示句子的第一个字属于{B,E,M,S}这四种状态的概率。

Viterbi算法

Viterbi算法的核心思想就是动态规划实现最短路径，按照Michael Collins教的，核心思想是：
Define a dynamic programming table π(k,u,v),
π(k,u,v) = maximum probability of a tag sequence ending in tags u,v at position k.
For any k ∈ {1…n}: π(k,u,v) = max ( π(k-1,w,u) × q(v|w,u) × e(xk|v) )
完整的Viterbi算法网上有很多资料可以查看，本文主要关注代码的实现。

实验

代码1：模型训练

生成三个文件：
- prob_start.py 为初始状态概率
- prob_trans.py 为状态转移概率
- prob_emit.py 为发射概率

# -*- coding: utf-8 -*-# 二元隐马尔科夫模型（Bigram HMMs）
# 'trainCorpus.txt_utf8'为人民日报已经人工分词的预料，29万多条句子import sys#state_M = 4
#word_N = 0
A_dic = {}
B_dic = {}
Count_dic = {}
Pi_dic = {}
word_set = set()
state_list = ['B','M','E','S']
line_num = -1INPUT_DATA = "trainCorpus.txt_utf8"
PROB_START = "trainHMM\prob_start.py"   #初始状态概率
PROB_EMIT = "trainHMM\prob_emit.py"     #发射概率
PROB_TRANS = "trainHMM\prob_trans.py"   #转移概率def init():  #初始化字典#global state_M#global word_Nfor state in state_list:A_dic[state] = {}for state1 in state_list:A_dic[state][state1] = 0.0for state in state_list:Pi_dic[state] = 0.0B_dic[state] = {}Count_dic[state] = 0def getList(input_str):  #输入词语，输出状态outpout_str = []if len(input_str) == 1:outpout_str.append('S')elif len(input_str) == 2:outpout_str = ['B','E']else:M_num = len(input_str) -2M_list = ['M'] * M_numoutpout_str.append('B')outpout_str.extend(M_list)  #把M_list中的'M'分别添加进去outpout_str.append('E')return outpout_strdef Output():   #输出模型的三个参数：初始概率+转移概率+发射概率start_fp = file(PROB_START,'w')emit_fp = file(PROB_EMIT,'w')trans_fp = file(PROB_TRANS,'w')print "len(word_set) = %s " % (len(word_set))for key in Pi_dic:           #状态的初始概率Pi_dic[key] = Pi_dic[key] * 1.0 / line_numprint >>start_fp,Pi_dicfor key in A_dic:            #状态转移概率for key1 in A_dic[key]:A_dic[key][key1] = A_dic[key][key1] / Count_dic[key]print >>trans_fp,A_dicfor key in B_dic:            #发射概率(状态->词语的条件概率)for word in B_dic[key]:B_dic[key][word] = B_dic[key][word] / Count_dic[key]print >>emit_fp,B_dicstart_fp.close()emit_fp.close()trans_fp.close()def main():ifp = file(INPUT_DATA)init()global word_set   #初始是set()global line_num   #初始是-1for line in ifp:line_num += 1if line_num % 10000 == 0:print line_numline = line.strip()if not line:continueline = line.decode("utf-8","ignore")  #设置为ignore，会忽略非法字符word_list = []for i in range(len(line)):if line[i] == " ":continueword_list.append(line[i])word_set = word_set | set(word_list)   #训练预料库中所有字的集合lineArr = line.split(" ")line_state = []for item in lineArr:line_state.extend(getList(item))   #一句话对应一行连续的状态if len(word_list) != len(line_state):print >> sys.stderr,"[line_num = %d][line = %s]" % (line_num, line.endoce("utf-8",'ignore'))else:for i in range(len(line_state)):if i == 0:Pi_dic[line_state[0]] += 1      #Pi_dic记录句子第一个字的状态，用于计算初始状态概率Count_dic[line_state[0]] += 1   #记录每一个状态的出现次数else:A_dic[line_state[i-1]][line_state[i]] += 1    #用于计算转移概率Count_dic[line_state[i]] += 1if not B_dic[line_state[i]].has_key(word_list[i]):B_dic[line_state[i]][word_list[i]] = 0.0else:B_dic[line_state[i]][word_list[i]] += 1   #用于计算发射概率Output()ifp.close()if __name__ == "__main__":main()

代码2：测试分词效果

# -*- coding: utf-8 -*-def load_model(f_name):ifp = file(f_name, 'rb')return eval(ifp.read())  #eval参数是一个字符串, 可以把这个字符串当成表达式来求值,prob_start = load_model("trainHMM\prob_start.py")
prob_trans = load_model("trainHMM\prob_trans.py")
prob_emit = load_model("trainHMM\prob_emit.py")def viterbi(obs, states, start_p, trans_p, emit_p):  #维特比算法（一种递归算法）V = [{}]path = {}for y in states:   #初始值V[0][y] = start_p[y] * emit_p[y].get(obs[0],0)   #在位置0，以y状态为末尾的状态序列的最大概率path[y] = [y]for t in range(1,len(obs)):V.append({})newpath = {}for y in states:      #从y0 -> y状态的递归(prob, state) = max([(V[t-1][y0] * trans_p[y0].get(y,0) * emit_p[y].get(obs[t],0) ,y0) for y0 in states if V[t-1][y0]>0])V[t][y] =probnewpath[y] = path[state] + [y]path = newpath  #记录状态序列(prob, state) = max([(V[len(obs) - 1][y], y) for y in states])  #在最后一个位置，以y状态为末尾的状态序列的最大概率return (prob, path[state])  #返回概率和状态序列def cut(sentence):prob, pos_list =  viterbi(sentence,('B','M','E','S'), prob_start, prob_trans, prob_emit)return (prob,pos_list)if __name__ == "__main__":test_str = u"新华网驻东京记者报道"prob,pos_list = cut(test_str)print test_strprint pos_list

结果

新华网驻东京记者报道
['B', 'M', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E']

人工分词的预料（trainCorpus.txt_utf8）可以从此处下载。

转自：http://blog.csdn.net/orlandowww/article/details/52693225

正向最大匹配算法（FMM）

正向最大匹配算法（FMM）是一种基于词典的分词方法，思想很简单就是从左向右扫描寻找词的最大匹配，比如词典中同时含有“钓鱼”和“钓鱼岛”，那“钓鱼岛属于中国”就会被分词成“钓鱼岛/属于/中国”

过程

限定词的最大长度（例如5）
从最大的长度开始在词库中进行匹配，直到匹配成功
更新起点的位置继续上一步骤直到全部完成

实验

代码

# -*- coding: utf-8 -*-
# 中文正向最大匹配（FMM）分词import sys
reload(sys)     #动态重新加载sys模块
sys.setdefaultencoding('utf8')word_dict = ['新华网', '东京', '记者', '吴谷丰', '日本共同社', '28', '报道']test_str = '  新华网东京电记者吴谷丰据日本共同社28日报道'# 获取分词
def getSeg(text):if not text:return ''if len(text) == 1:return textif text in word_dict:return textelse:small = len(text) - 1text = text[0:small]return getSeg(text)def main():global test_strtest_str = test_str.decode('utf8').strip()max_len = 5      # 正向最大匹配分词测试,最大长度5result_str = ''  # 保存要输出的分词结果result_len = 0print 'input :', test_strwhile test_str:tmp_str = test_str[0:max_len]seg_str = getSeg(tmp_str)seg_len = len(seg_str)result_len = result_len + seg_lenif seg_str.strip():result_str = result_str + seg_str + ' / 'test_str = test_str[seg_len:]print 'output :', result_strif __name__ == '__main__':main()

结果

input : 新华网东京电记者吴谷丰据日本共同社28日报道
output : 新华网 / 东京 / 电 / 记者 / 吴谷丰 / 据 / 日本共同社 / 28 / 日 / 报道 /

分词词典可以自定义或者从此网页下载，然后将word_dict代码更换成下面这行

word_dict = [line.strip() for line in open('dict.txt')]

正向最大匹配算法（FMM）

过程

限定词的最大长度（例如5）
从最大的长度开始在词库中进行匹配，直到匹配成功
更新起点的位置继续上一步骤直到全部完成

实验

代码

# -*- coding: utf-8 -*-
# 中文正向最大匹配（FMM）分词import sys
reload(sys)     #动态重新加载sys模块
sys.setdefaultencoding('utf8')word_dict = ['新华网', '东京', '记者', '吴谷丰', '日本共同社', '28', '报道']test_str = '  新华网东京电记者吴谷丰据日本共同社28日报道'# 获取分词
def getSeg(text):if not text:return ''if len(text) == 1:return textif text in word_dict:return textelse:small = len(text) - 1text = text[0:small]return getSeg(text)def main():global test_strtest_str = test_str.decode('utf8').strip()max_len = 5      # 正向最大匹配分词测试,最大长度5result_str = ''  # 保存要输出的分词结果result_len = 0print 'input :', test_strwhile test_str:tmp_str = test_str[0:max_len]seg_str = getSeg(tmp_str)seg_len = len(seg_str)result_len = result_len + seg_lenif seg_str.strip():result_str = result_str + seg_str + ' / 'test_str = test_str[seg_len:]print 'output :', result_strif __name__ == '__main__':main()

结果

input : 新华网东京电记者吴谷丰据日本共同社28日报道
output : 新华网 / 东京 / 电 / 记者 / 吴谷丰 / 据 / 日本共同社 / 28 / 日 / 报道 /

分词词典可以自定义或者从此网页下载，然后将word_dict代码更换成下面这行

word_dict = [line.strip() for line in open('dict.txt')]