算法：N-gram语法

一、N-gram介绍

　　n元语法（英语：N-gram）指文本中连续出现的n个语词。n元语法模型是基于(n - 1)阶马尔可夫链的一种概率语言模型，通过n个语词出现的概率来推断语句的结构。这一模型被广泛应用于概率论、通信理论、计算语言学（如基于统计的自然语言处理NLP）、计算生物学（如序列分析）、数据压缩等领域。

　　N-gram文本广泛用于文本挖掘和自然语言处理任务。它们基本上是给定窗口内的一组同时出现的单词，在计算n元语法时，通常会将一个单词向前移动（尽管在更高级的场景中可以使X个单词向前移动）。

　　例如，对于句子"The cow jumps over the moon" ，N = 2（称为二元组），则 ngram 为：

• the cow
• cow jumps
• jumps over
• over the
• the moon

　　因此，在这种情况下，有 5 个 n-gram。

 

　　再来看看 N = 3，ngram 将为：

• the cow jumps
• cow jumps over
• jumps over the
• over the moon

　　因此，在这种情况下，有 4 个 n-gram。

 

　　所以，在一个句子中 N-grams 的数量有：

　　　　　　N_grams(K) = X - (N - 1)

　　其中，X 为给定句子K中的单词数，N 为 N-gram 的N，指的是连续出现的 N 个单词。

 

　　N-gram用于各种不同的任务。例如，在开发语言模型时，N-grams不仅用于开发unigram模型，而且还用于开发bigram和trigram模型。谷歌和微软已经开发了网络规模的 n-gram模型，可用于多种任务，例如拼写校正、分词和文本摘要。N-gram的另一个用途是为受监督的机器学习模型（例如SVM，MaxEnt模型，朴素贝叶斯等）开发功能。其想法是在特征空间中使用标记（例如双字母组），而不是仅使用字母组合。

　　下面简单介绍一下如何用 Java 生成 n-gram。

二、用 Java 生成 n-gram

　　这个是生成 n-gram 的主要方法，方法首先是对传进来的句子 sentence 进行单词拆分，这个正则表达式“\\s+”是能匹配任何空白字符，包括空格、制表符、换页符等等, 等价于 [ \f\n\r\t\v]。拆分完后对单词进行拼接。算法时间复杂度为 O(X - (N - 1))，X 为给定句子K中的单词数，N 为 N-gram 的 N。

    /**
     * 生成n元语法
     * <p>
     * 一个句子中有多少个N-gram?
     * 如果 X = 给定句子K中的单词数，则句子K的 N-gram数为:
     * N(grams<K>) = X - (N - 1)
     *
     * @param n        连续 n个单词
     * @param sentence 句子级别的文本
     * @return         存着ngram的列表
     */
    public static List<String> ngrams(int n, String sentence) {
        List<String> ngrams = new ArrayList<>();
        String[] words = sentence.split("\\s+");
        for (int i = 0; i < words.length - n + 1; i++)
            ngrams.add(concat(words, i, i + n));
        return ngrams;
    }

　　进行单词拼接，这里使用 StringBuilder（线程不安全，效率相对StringBuffer高点）对拆分好的单词进行拼接并返回拼接好的字符串。

    /**
     * 拼接单词
     *
     * @param words 单词
     * @param start 开始位置
     * @param end   结束位置
     * @return      拼接好的字符串
     */
    public static String concat(String[] words, int start, int end) {
        StringBuilder sb = new StringBuilder();
        for (int i = start; i < end; i++)
            sb.append(i > start ? " " : "").append(words[i]);
        return sb.toString();
    }

　　对 n-gram 的出现次数进行统计，使用 HashMap<String, Integer> 来存储 n-gram 的出现次数，并且按照 value 的逆序排序 Map，次数较多的在前面先打印。这里使用 Java 8 Stream API 按照 value 降序顺序进行 Map 排序。

　　在 Java 8 中，Map.Entry类具有静态方法 comparingByValue() 来帮助按 value 排序，此方法返回以自然顺序 Comparator 比较 Map.Entry值的。还有，你可以传递自定义Comparator 以用于排序。

　　下面是根据 value 进行排序的方法：

    /**
     * 按 value对 HashMap进行逆序排序
     * <p>
     * 使用 Java 8 Stream API按照降序对Value进行Map排序
     * 逻辑的中心是按自然顺序 Map.Entry.comparingByValue()比较 Map.Entry值的方法。
     *
     * @param unSortedMap 未排序的HashMap
     * @return 按照value降序排序的HashMap
     */
    public static HashMap<String, Integer> sortByValue(HashMap<String, Integer> unSortedMap) {
        // System.out.println("Unsorted Map : " + unSortedMap);

        // LinkedHashMap保留插入元素的顺序
        LinkedHashMap<String, Integer> reverseSortedMap = new LinkedHashMap<>();

        // 使用 Comparator.reverseOrder() 进行反向排序
        unSortedMap.entrySet()
                .stream()
                .sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()))
                .forEachOrdered(x -> reverseSortedMap.put(x.getKey(), x.getValue()));

        // System.out.println("Reverse Sorted Map   : " + reverseSortedMap);

        return reverseSortedMap;
    }

　　主函数测试代码：

public static void main(String[] args) {
        HashMap<String, Integer> count = new HashMap<>();
        String text = "I can go to the supermarket to buy spicy bars or go to the store to buy spicy bars.";

        // 生成n为1~3的N元语法
//        for (int n = 1; n <= 3; n++) {
//            for (String ngram : ngrams(n, text)) {
//                System.out.println(ngram);
//            }
//            System.out.println();
//        }

        for (String ngram : ngrams(3, text)) {
            // counting ngram by using HashMap
            if (!count.containsKey(ngram)) {
                count.put(ngram, 1);
            } else if (count.containsKey(ngram)) {
                count.replace(ngram, count.get(ngram) + 1);
            }
            System.out.println(ngram);
        }

        // 按出现次由多到少的顺序打印ngram
        System.out.println("\nCounting Result: ");
        for (Map.Entry<String, Integer> entry : sortByValue(count).entrySet()) {
            System.out.println(entry.getKey() + ": " + entry.getValue());
        }

    }