中文词性标注与viterbi算法

示例代码下载：https://files.cnblogs.com/bottlebox/HmmPos.zip

一、viterbi算法原理及适用情况

当事件之间具有关联性时，可以通过统计两个以上相关事件同时出现的概率，来确定事件的可能状态。

以中文的词性标注为例。

中文中，每个词会有多种词性（比如"希望"即是名字又是动词），给出一个句子后，我们需要给这个句子的每个词确定一个唯一的词性，实际上也就是在若干词性组合中选择一个合适的组合。

动词、名词等词类的搭配是具有规律性的，比如动词+名词的形式是大量存在的，当我们看到句子"存在希望"，如果确定了"存在"是动词，那么由于动名词组合的概率较大，我们就会认定"希望"是名词。

viterbi算法的原理就是基于此。我们需要计算所有的名词+动词，名词+名词，动词+形容词。。。。。等各种种词性搭配的出现概率，然后从中选出最大概率的组合。

二、操作步骤

1、需要准备一个语料库，包含已经正确标注了词性的大量语句。

2、对语料库的内容进行统计。需要得到以下数据。

（1）所有可能的词性。

（2）所有出现的词语。

（3）每个词语以不同词性出现的次数。

（4）记录句首词为不同词性的次数。

（5）记录句子中任一两种词性相邻的次数（如遇到："看电影"这个句子，则有[动词][名词]的值加一。

3、针对前面统计的结果，进行分析计算。需计算以下数据。

（1）计算每类词性作为句首出现的比例（比如:动词为句首，占所有不同词性为句首中的比例)，

记录到fstart[TYPE_NUM]。

（2）计算后词固定为词性[n]时，前词为词性[x]占总情况的比例（如：后词固定为[动词]时，前词[名词]出现的次数占所有[x][动词]的比例），

记录到fshift[TYPE_NUM][TYPE_NUM];

（3）计算每一个词作为不同类词性出现的次数，占所有该类词出现总数的比例(如："中国"作为名词出现的次数占所有名词的比例），

记录到ffashe[TYPE_NUM][60000]

4、输入句子进行词性标注

输入的句子中每个词有多个词性。我们需要选出合适的一个组合。

比如输入句子"希望"+"的"+"田野",

分别有词性个数p1,p2,p3,p4，则可能的词性组合数为：S=p1*p2*p3*p4,我们需要从S个不同组合中选出最优的一个组合。

如下图：

问题：

1、当输入词数较多时，一般取概率的自然对数值log(P(B1|A)),否则很容易出现后面的值因为过小全变为0而无法比较的情况。

2、概率的计算。

对二3.(2)的概率计算如果改成固定前词，则最后的正确率要小3%左右，从图中也可看出算法的比较是固定的后词。如果改为以所有的连接数为总体，则正确率要小1%左右，但感觉这样更合理些，因为当某类词数量较小时（比如只有一两个），就会导致其实际存在的连接概率很大。实测中，"希望的田野"中的田野开始被标注为na类型，na在语料库中只出现一次（应该是不存在的词性，是误标),其前词是助词，这就导致m_fshift[助词][na]值偏大（达到0.7），所以导致标注错误。

对二3.(3)的概率计算，如果改成统计每个词以某一词性出现次数占该词出现总数的比例，则最后的正确率要小2%左右。 如果一个词A可为动词和名词，其为动词的次数大于为名词的次数，而另一方面A为（名词次数/所有名词出现次数）大于A为（动词次数/所有动词出现次数），从全局来考虑A作为名词估计全局正确率更大些。