统计机器学习方法 for NLP:基于HMM的词性标注
前言
最近在重刷李航老师的《统计机器学习方法》尝试将其与NLP结合,通过具体的NLP应用场景,强化对书中公式的理解,最终形成「统计机器学习方法 for NLP」的系列。这篇将介绍隐马尔可夫模型HMM(绝对给你一次讲明白)并基于HMM完成一个中文词性标注的任务。
HMM是什么
隐马尔可夫模型(Hidden Markov Model, HMM) 是做NLP的同学绕不过去的一个基础模型,是一个生成式模型,通过训练数据学习隐变量
训练阶段:通过对训练数据进行极大似然估计,得到HMM模型的参数:初始概率向量
预测阶段:给定观测变量
Viterbi algorithm)进行剪枝。
维特比算法的简单的说就是提前终止了不可能路径。具体而言,在每一步遍历全部的
值得注意的是现在在深度学习在解码阶段基本不用「维特比算法」解码而更多的是使用「beam search」解码。这是因为「维特比算法」需要一个很强的假设:当前节点只与上一个节点有关,这也正是齐次马尔可夫性假设,所以路径整体概率才可以表示成各个子路径相乘的形式。但是深度学习时代的解码则不满足这个假设,即
整体最优的
基于HMM的词性标注
词性标注是指给定一句话(已经完成了分词),给这个句子中的每个词标记上词性,例如名词,动词,形容词等。这是一项最基础的NLP任务,可以给很多高级的NLP任务例如信息抽取,语音识别等提供有用的先验信息。
这个任务中我们认为隐变量
下面将分为:数据处理,模型训练,模型预测 三个部分 来介绍如果利用HMM实现词性标注
- 数据处理
这里采用「1998人民日报词性标注语料库」进行模型的训练,包括44个基本词性以及19484个句子。具体可以参考这里:https://www.heywhale.com/mw/dataset/5ce7983cd10470002b334de3
PFR语料库是对人民日报1998年上半年的纯文本语料进行了词语切分和词性标注制作而成的,严格按照人民日报的日期、版序、文章顺序编排的。文章中的每个词语都带有词性标记。目前的标记集里有26个基本词类标记(名词n、时间词t、处所词s、方位词f、数词m、量词q、区别词b、代词r、动词v、形容词a、状态词z、副词d、介词p、连词c、助词u、语气词y、叹词e、拟声词o、成语i、习惯用语l、简称j、前接成分h、后接成分k、语素g、非语素字x、标点符号w)外,从语料库应用的角度,增加了专有名词(人名nr、地名ns、机构名称nt、其他专有名词nz);从语言学角度也增加了一些标记,总共使用了40多个个标记。
首先将每个句子预处理成下面的格式: [(word,tag), ... , (word,tag)]
>>>print(sentences[:3])
[[('据悉', 'v'), (',', 'w'), ('在', 'p'), ('’', 'w'), ('97', 'm'), ('中国', 'ns'), ('旅游年', 'n'), ('基础', 'n'), ('上', 'f'), ('推出', 'v'), ('的', 'u'), ('’', 'w'), ('98', 'm'), ('华夏', 'n'), ('城乡游', 'n'), (',', 'w'), ('将', 'd'), ('分', 'v'), ('“', 'w'), ('古城', 'n'), ('新貌', 'n'), ('”', 'w'), ('和', 'c'), ('“', 'w'), ('乡村', 'n'), ('旅游', 'v'), ('”', 'w'), ('两', 'm'), ('个', 'q'), ('专题', 'n'), (',', 'w'), ('向', 'p'), ('海内外', 's'), ('游客', 'n'), ('全面', 'ad'), ('展示', 'v'), ('改革', 'v'), ('开放', 'v'), ('20', 'm'), ('年', 'q'), ('来', 'f'), ('我国', 'n'), ('城乡', 'n'), ('的', 'u'), ('巨变', 'vn'), ('。', 'w')], [('冰雕', 'n'), ('童话', 'n'), ('世界', 'n'), ('(', 'w'), ('图片', 'n'), (')', 'w')], [('新年', 't'), ('来临', 'v'), (',', 'w'), ('冰城', 'ns'), ('哈尔滨市', 'ns'), ('儿童', 'n'), ('公园', 'n'), ('为', 'p'), ('孩子', 'n'), ('们', 'k'), ('准备', 'v'), ('了', 'u'), ('特殊', 'a'), ('的', 'u'), ('贺岁', 'vn'), ('礼物', 'n'), ('———', 'w'), ('冰雕', 'n'), ('童话', 'n'), ('世界', 'n'), ('。', 'w'), ('这里', 'r'), ('包括', 'v'), ('未来', 't'), ('世界', 'n'), ('、', 'w'), ('世界', 'n'), ('奇观', 'n'), ('、', 'w'), ('迷宫', 'n'), ('等', 'u'), ('十', 'm'), ('大', 'a'), ('景区', 'n'), (',', 'w'), ('展出', 'v'), ('各种', 'r'), ('冰雕', 'n'), ('作品', 'n'), ('千', 'm'), ('余', 'm'), ('件', 'q'), ('。', 'w'), ('图', 'n'), ('为', 'v'), ('从事', 'v'), ('教育', 'vn'), ('工作', 'vn'), ('的', 'u'), ('姜', 'nr'), ('雁', 'nr'), ('(', 'w'), ('左', 'f'), (')', 'w'), ('正', 'd'), ('向', 'p'), ('6', 'm'), ('岁', 'q'), ('的', 'u'), ('儿子', 'n'), ('万万', 'nr'), ('讲', 'v'), ('恐龙', 'n'), ('的', 'u'), ('故事', 'n'), ('。', 'w')]
]
2. 模型训练
根据数据估计HMM的模型参数:全部的词性集合
拉普拉斯平滑处理。
# 统计words和tags
words = set()
tags = set()
for words_with_tag in sentences:for word_with_tag in words_with_tag:word, tag = word_with_tagwords.add(word)tags.add(tag)
words = list(words)
tags = list(tags)
# 统计 词性到词性转移矩阵A 词性到词转移矩阵B 初始向量pi
# 先初始化
A = {tag: {tag: 0 for tag in tags} for tag in tags}
B = {tag: {word: 0 for word in words} for tag in tags}
pi = {tag: 0 for tag in tags}
# 统计A,B
for words_with_tag in sentences:head_word, head_tag = words_with_tag[0]pi[head_tag] += 1B[head_tag][head_word] += 1for i in range(1, len(words_with_tag)):A[words_with_tag[i-1][1]][words_with_tag[i][1]] += 1B[words_with_tag[i][1]][words_with_tag[i][0]] += 1
# 拉普拉斯平滑处理并转换成概率
sum_pi_tag = sum(pi.values())
for tag in tags:pi[tag] = (pi[tag] + 1) / (sum_pi_tag + len(tags))sum_A_tag = sum(A[tag].values())sum_B_tag = sum(B[tag].values())for next_tag in tags:A[tag][next_tag] = (A[tag][next_tag] + 1) / (sum_A_tag + len(tags))for word in words:B[tag][word] = (B[tag][word] + 1) / (sum_B_tag + len(words))
看一下词性转移矩阵
3. 模型预测
在预测阶段基于维特比算法进行解码
def decode_by_viterbi(sentence):words = sentence.split()sen_length = len(words)T1 = [{tag: float('-inf') for tag in tags} for i in range(sen_length)]T2 = [{tag: None for tag in tags} for i in range(sen_length)]# 先进行第一步for tag in tags:T1[0][tag] = math.log(pi[tag]) + math.log(B[tag][words[0]])# 继续后续解码for i in range(1, sen_length):for tag in tags:for pre_tag in tags:current_prob = T1[i-1][pre_tag] + math.log(A[pre_tag][tag]) + math.log(B[tag][words[i]])if current_prob > T1[i][tag]:T1[i][tag] = current_probT2[i][tag] = pre_tag# 获取最后一步的解码结果last_step_result = [(tag, prob) for tag, prob in T1[sen_length-1].items()]last_step_result.sort(key=lambda x: -1*x[1])last_step_tag = last_step_result[0][0]# 向前解码step = sen_length - 1result = [last_step_tag]while step > 0:last_step_tag = T2[step][last_step_tag]result.append(last_step_tag)step -= 1result.reverse()return list(zip(words, result))
最后进行简单的测试
decode_by_viterbi('我 和 我 的 祖国')
[('我', 'r/代词'), ('和', 'c/连词'), ('我', 'r'/代词), ('的', 'u'/助词), ('祖国', 'n'/名词)]decode_by_viterbi('中国 经济 迅速 发展 , 对 世界 经济 贡献 很 大')
[('中国', 'ns/地名'),('经济', 'n/名词'),('迅速', 'ad/形容词'),('发展', 'v/动词'),(',', 'w/其他'),('对', 'p/介词'),('世界', 'n/名词'),('经济', 'n/名词'),('贡献', 'n/名词'),('很', 'd'/副词),('大', 'a'/形容词)]
可以看到基本都是正确的,根据文献HMM一般中文词性标注的准确率能够达到85%以上 :)
当然HMM的缺陷也很明显,主要是两个强假设在实际中是不成立的。因为隐变量不仅仅跟前一个状态的隐变量有关(跟之前全部的隐藏变量和观测变量有关),同时当前观测变量也不仅仅跟当前的隐变量有关(跟之前全部的隐藏变量和观测变量有关),这也是后面深度学习中RNN等模型尝试解决的问题了。
统计机器学习方法 for NLP:基于HMM的词性标注相关推荐
- 统计机器学习方法 for NLP:基于CRF的词性标注
前言 最近在重刷李航老师的<统计机器学习方法>尝试将其与NLP结合,通过具体的NLP应用场景,强化对书中公式的理解,最终形成「统计机器学习方法 for NLP」的系列.这篇将介绍条件随机场 ...
- 基于HMM的词性标注方法
文章目录 1 HMM模型概念 2序列标注问题 (Sequence Labeling Problem) 3 基于HMM的词性标注方法 3.1 HMM词性标记模型 3.2 HMM词性标记计算 3.3 预测 ...
- 基于机器学习方法的POI品类推荐算法
前言 在美团商家数据中心(MDC),有超过100w的已校准审核的POI数据(我们一般将商家标示为POI,POI基础信息包括:门店名称.品类.电话.地址.坐标等).如何使用这些已校准的POI数据,挖掘出 ...
- 李航老师新作《机器学习方法》上市了!附购买链接
李航老师的<统计学习方法>第一版于 2012年出版,讲述了统计机器学习方法,主要是一些常用的监督学习方法.第二版增加了一些常用的无监督学习方法,由此本书涵盖了传统统计机器学习方法的主要内容 ...
- 统计学习-机器学习方法概论
统计学习-机器学习方法概论 机器学习的对象是:具有一定的统计规律的数据. 机器学习根据任务类型,可以划分为: 监督学习任务:从已标记的训练数据来训练模型. 主要分为:分类任务.回归任务.序列标注任务. ...
- 机器学习实验笔记-基于信用卡数据建立行为评分模型的机器学习方法
基于信用卡数据建立行为评分模型的机器学习方法 很久之前的一个答疑, 应该不会再影响评分了, 记录以供复习. 数据集与代码放在CSDN下载区域, 也可以留言索要. https://download.cs ...
- 基于python多光谱遥感数据处理、图像分类、定量评估及机器学习方法
普通数码相机记录了红.绿.蓝三种波长的光,多光谱成像技术除了记录这三种波长光之外,还可以记录其他波长(例如:近红外.热红外等)光的信息.与昂贵.不易获取的高光谱.高空间分辨率卫星数据相比,中等分辨率的 ...
- 基于 python 多光谱遥感数据处理、图像分类、定量评估及机器学习方法
普通数码相机记录了红.绿.蓝三种波长的光,多光谱成像技术除了记录这三种波长光之外,还 可以记录其他波长(例如:近红外.热红外等)光的信息.与昂贵.不易获取的高光谱.高空间分辨 率卫星数据相比,中等分辨 ...
- 基于机器学习的web异常检测——基于HMM的状态序列建模,将原始数据转化为状态机表示,然后求解概率判断异常与否...
基于机器学习的web异常检测 from: https://jaq.alibaba.com/community/art/show?articleid=746 Web防火墙是信息安全的第一道防线.随着网络 ...
最新文章
- 关于如何用100行如何实现docker
- Hive 2.3.2 Installation Guide
- webui框架的利与弊
- 利用Asp.Net Core的MiddleWare思想处理复杂业务流程
- (转)Oracle中实现行列转换的方法
- Power BI 如何获取数据做可视化
- unity android 在后台运行_Android 11“精简版”正式发布,低端机也可以流畅运行
- 设计模式16-访问者模式
- 怎么改变linux的语言环境,更改Linux语言环境
- 【雅思大作文考官范文】——第九篇:‘CCTV essay’
- 关于Docker以及安装方法
- Torvalds的linux
- 2356 - 成绩排序
- html箭头相关符号
- 计算机专业英语辅音字母缩略,英语缩写规则
- DSP芯片倍频太大导致low power mode,无法连接JTAG
- 引领数字化转型 DXC Technology正式公开亮相
- 腾讯WiFi管家手机无线上网免费下载安装
- ZOJ 3598 Spherical Triangle(计算几何 球面三角形内角和)
- 大数据入门 - 基础概念