[NLP]分词
分词是NLP的基本功能之一，现在发展比较成熟了，目前比较热门的分词工具有jieba，snownlp，pkuseg等等。分词工具的使用是比较简单的，具体查询相应的github项目即可，上面有比较好的示例。本文我们主要讲解一下分词的相关算法：前向最大匹配，后向最大匹配，语言模型，维特比算法等。现分别讲解如下。
前向最大匹配算法
一句话总结：根据参数最大匹配长度max_len，获取一句话中的最大匹配长度的子句，逐步判断子句是否在词典中，是则分词成功，否则删除子句中的最后一个字再进行判断，子句是否在字典中。
输入：一句话sent，词典dic，最大匹配长度max_len
输出：分词后的单词列表words
①获取sent中最大匹配长度的子句sub_sent，判断sub_sent是否在词典dic中
②如果在列表中，则将sub_sent存放进words中，原句sent更新为sent-sub_sent；
③否则，sub_sent中删除最后一个字，判断sub_sent[:-2]是否在词典中
④重复上述步骤，直到sent句子为空为止。
举例：sent = 我要去上学了，词典 = [我，要去，上学，了，上学了，要，去]，max_len = 5
①sub_sent = 我要去上学，不在词典中，则将其更新为：sub_sent = 我要去上
②sub_sent = 我要去上，不在词典中，将其更新为：sub_sent = 我要去
③sub_sent = 我要去，不在词典中，将其更新为：sub_sent = 我要
④sub_sent = 我要，不在词典中，将其更新为：sub_sent = 我
⑤sub_sent = 我，在词典中，因此words = [我]
⑥顺移一位，sub_sent = 要去上学了，不在词典中，更新为sub_sent = 要去上学
⑦sub_sent = 要去上学，不在词典中，更新为sub_sent = 要去上
⑧sub_sent = 要去上，不在词典中，更新为sub_sent = 要去
⑨sub_sent = 要去，在词典中，words = [我，要去]
⑩顺移一位，sub_sent = 上学了，在词典中，words = [我，要去，上学了]
最终返回的分词结果是：[我，要去，上学了]
后向最大匹配算法
前向最大匹配取前max_len个字符，后向最大匹配取后面max_len个字符。
举例：sent = 我要去上学了，词典 = [我，要去，上学，了，上学了，要，去]，max_len = 5
①sub_sent = 要去上学了，不在词典中，则将其更新为：sub_sent = 去上学了
②sub_sent = 去上学了，不在词典中，将其更新为：sub_sent = 上学了
③sub_sent = 上学了，在词典中，words=[上学了]
④顺移一位，sub_sent = 我要去，不在词典中，将其更新为：sub_sent = 要去
⑤sub_sent = 要去，在词典中，因此words = [要去，上学了]
⑥顺移一位，sub_sent = 我，在词典中，words=[我，要去，上学了]
最终返回的分词结果是：[我，要去，上学了]
最大匹配的缺点：
①不够细分（有可能更好）
②局部最优
③效率（max_len）
④歧义（不能考虑语义）
考虑语言模型（考虑语义）
语言模型就是为了计算一句话符合语义的程度，通过计算一句话的概率表示这句话的自然程度（或者说符合语义的程度）
过程：输入 -> 生成所有可能的分割 -> 选择其中最好的分词组合（工具，如unigram LM）
假设s1 = [我，要去，上学了]，s2 = [我，要，去，上学，了]
分别计算概率：p(s1)=p(我，要去，上学了)=0.2,
p(s2)=p(我，要，去，上学，了)=0.4，可知，s2的分词效果更好。
这是unigram LM的模型，考虑了语义，选择最好的分词组合。（关于语言模型）
缺点：复杂度高，效率低；概率计算有可能会溢出（解决办法是用log，这样乘法就变成了加法）
维特比算法（解决效率问题）
生成所有可能的分词后，可以将其转化成图来做，如下面例子所示。
转化成图之后，计算最佳的分词组合就是计算图的最短路径（之所以最短路径是取了词的概率的负对数，这样可以计算最小值），可以用维特比算法，核心是动态规划。
总结
分词的方法如下：
基于匹配规则的方法（最大匹配算法）
基于概率统计的方法（LM，HMM，CRF）
——来源于贪心科技NLP讲解
