基于统计的自动分词算法

   简介：利用字与字间、词与词间的同现频率作为分词的依据，不一定需要建立好的词典。需要大规模的训练文本用来训练模型参数。
优缺点：不受应用领域的限制；但训练文本的选择将影响分词结果。 

概率最大统计分词算法

一、主要原理　　

　　对于任意一个语句，首先按语句中词组的出现顺序列出所有在语料库中出现过的词组；将上述词组集中的每一个词作为一个顶点，加上开始与结束顶点，按构成语句的顺序组织成有向图；再为有向图中每两个直接相连的顶点间的路径赋上权值，如 A→B，则 AB 间的路径权值为 B 的费用（若 B 为结束顶点，则权值为 0）；此时原问题就转化成了单源最短路径问题，通过动态规划解出最优解即可。

 

二、思路说明

（1）获取候选词

　　 获取句子中可能出现的所有词作为候选词，但要满足下列条件：如果是长度大于 1 的词，则必须在词典中出现；如果是长度等于 1，即为单字，可以不在词典中出现。

（2）构造前趋词

　　假定字符串从左到右进行扫描，可以得到 w1,w2,…,wi-1,wi,….等若干候选词，如果 wi-1 的尾字根 wi 的首字邻接，就称 wi-1 为 wi 的前趋词。比如上面例中，候选词“有”就是候选词“意见”的前趋词，“意见”和“见”都是“分歧”的前趋词。字串最左边的词没有前趋词。

（3）寻找最佳前趋词

　　如果某个候选词 wi 有若干个前趋词 wj,wk,…..等等，其中累计概率最大的候选词称为 wi 的最佳前趋词。比如候选词“意见”只有一个前趋词“有”，因此“有”同时也就是“意见”的最佳前趋词；候选词“分歧”有两个前趋词“意见”和“见”，其中“意见”的累计概率大于“见”累计概率，因此“意见”是“分歧”的最佳前趋词。

（4）确定最优路径

　　回溯，从字符串的尾部按照最佳前趋词的指引，向前搜索最优路径。

 

 

三、算法描述

① 对一个待分词的子串S，按照从左到右的顺序取出全部候选词w1,w2,…,wi,…,wn;

②到词典中查出每个候选词的概率值 P(wi)，并记录每个候选词的全部左邻词；

③按照公式 1 计算每个候选词的累计概率，同时比较得到每个候选词的最佳左邻词；

④如果当前词 wn 是字串 S 的尾词，且累计概率 P(wn)最大，则 wn 就是 S 的终点词；

⑤从 wn 开始，按照从右到左顺序，依次将每个词的最佳左邻词输出，即 S 的分词结果。 

 

四、举例演示

①对“有意见分歧”，从左到右进行一遍扫描，得到全部候选词：“有”，“有意”，“意见”，“见”，“分歧”；

②对每个候选词，记录下它的概率值，并将累计概率赋初值为 0；

③顺次计算各个候选词的累计概率值，同时记录每个候选词的最佳左邻词；

　　P’（有） =P（有），

　　P’（有意） = P（有意） ,

　　P’（意见） = P’（有） * P（意见） ,(“意见”的最佳左邻词为“有” )

　　P’（见） = P’（有意） * P（见） , (“见”的最佳左邻词为“有意” )

　　P’（意见） >P’（见）

“分歧”是尾词，“意见”是“分歧”的最佳左邻词，分词过程结束，输出结果：有/ 意见/ 分歧/ 

 

五、算法缺点

①最大概率分词法不能解决所有的交集型歧义问题：“这事的确定不下来”：

　　W1=这/ 事/ 的确/ 定/ 不/ 下来/

　　W2=这/ 事/ 的/ 确定/ 不/ 下来/

　　P(W1)<P(W2)

②无法解决组合型歧义问题：“做完作业才能看电视”

　　W1=做/ 完/ 作业/ 才能/ 看/ 电视/

　　W2=做/ 完/ 作业/ 才/ 能/ 看/ 电视/