1 算法簡介

在結巴分詞2--基于前綴詞典及動態(tài)規(guī)劃實現(xiàn)分詞 博文中，博主已經(jīng)介紹了基于前綴詞典和動態(tài)規(guī)劃方法實現(xiàn)分詞，但是如果沒有前綴詞典或者有些詞不在前綴詞典中，jieba分詞一樣可以分詞，那么jieba分詞是如何對未登錄詞進行分詞呢？這就是本文將要講解的，基于漢字成詞能力的HMM模型識別未登錄詞。

利用HMM模型進行分詞，主要是將分詞問題視為一個序列標注（sequence labeling）問題，其中，句子為觀測序列，分詞結果為狀態(tài)序列。首先通過語料訓練出HMM相關的模型，然后利用Viterbi算法進行求解，最終得到最優(yōu)的狀態(tài)序列，然后再根據(jù)狀態(tài)序列，輸出分詞結果。

2 實例

2.1 序列標注

序列標注，就是將輸入句子和分詞結果當作兩個序列，句子為觀測序列，分詞結果為狀態(tài)序列，當完成狀態(tài)序列的標注，也就得到了分詞結果。

以“去北京大學玩”為例，我們知道“去北京大學玩”的分詞結果是“去 / 北京大學 / 玩”。對于分詞狀態(tài)，由于jieba分詞中使用的是4-tag，因此我們以4-tag進行計算。4-tag，也就是每個字處在詞語中的4種可能狀態(tài)，B、M、E、S，分別表示Begin（這個字處于詞的開始位置）、Middle（這個字處于詞的中間位置）、End（這個字處于詞的結束位置）、Single（這個字是單字成詞）。具體如下圖所示，“去”和“玩”都是單字成詞，因此狀態(tài)就是S，“北京大學”是多字組合成的詞，因此“北”、“京”、“大”、“學”分別位于“北京大學”中的B、M、M、E。

2.2 HMM模型

關于HMM模型的介紹，網(wǎng)絡上有很多的資源，比如 52nlp整理的 HMM相關文章索引 。博主在此就不再具體介紹HMM模型的原理，但是會對分詞涉及的基礎知識進行講解。

HMM模型作的兩個基本假設：

- 1.齊次馬爾科夫性假設，即假設隱藏的馬爾科夫鏈在任意時刻t的狀態(tài)只依賴于其前一時刻的狀態(tài)，與其它時刻的狀態(tài)及觀測無關，也與時刻t無關；

P(states[t] | states[t-1],observed[t-1],...,states[1],observed[1]) = P(states[t] | states[t-1]) t = 1,2,...,T

- 2.觀測獨立性假設，即假設任意時刻的觀測只依賴于該時刻的馬爾科夫鏈的狀態(tài)，與其它觀測和狀態(tài)無關，

P(observed[t] | states[T],observed[T],...,states[1],observed[1]) = P(observed[t] | states[t]) t = 1,2,...,T

HMM模型有三個基本問題：

- 1.概率計算問題，給定模型

和觀測序列 ，怎樣計算在模型 下觀測序列O出現(xiàn)的概率 ，也就是Forward-backward算法；

- 2.學習問題，已知觀測序列

，估計模型 ，使得在該模型下觀測序列的概率 盡可能的大，即用極大似然估計的方法估計參數(shù)；

- 3.預測問題，也稱為解碼問題，已知模型

和觀測序列 ，求對給定觀測序列條件概率 最大的狀態(tài)序列 ，即給定觀測序列。求最有可能的對應的狀態(tài)序列；

其中，jieba分詞主要中主要涉及第三個問題，也即預測問題。

*HMM模型中的五元組表示：*

- 1.觀測序列；

- 2.隱藏狀態(tài)序列；

- 3.狀態(tài)初始概率；

- 4.狀態(tài)轉移概率；

- 5.狀態(tài)發(fā)射概率；

這里仍然以“去北京大學玩”為例，那么“去北京大學玩”就是觀測序列。

而“去北京大學玩”對應的“SBMMES”則是隱藏狀態(tài)序列，我們將會注意到B后面只能接（M或者E），不可能接（B或者S）；而M后面也只能接（M或者E），不可能接（B或者S）。

狀態(tài)初始概率表示，每個詞初始狀態(tài)的概率；jieba分詞訓練出的狀態(tài)初始概率模型如下所示。其中的概率值都是取對數(shù)之后的結果（可以讓概率相乘轉變?yōu)楦怕氏嗉?#xff09;，其中-3.14e+100代表負無窮，對應的概率值就是0。這個概率表說明一個詞中的第一個字屬于{B、M、E、S}這四種狀態(tài)的概率，如下可以看出，E和M的概率都是0，這也和實際相符合：開頭的第一個字只可能是每個詞的首字（B），或者單字成詞（S）。這部分對應jieba/finaseg/prob_start.py，具體可以進入源碼查看。

P={'B': -0.26268660809250016,'E': -3.14e+100,'M': -3.14e+100,'S': -1.4652633398537678}

狀態(tài)轉移概率是馬爾科夫鏈中很重要的一個知識點，一階的馬爾科夫鏈最大的特點就是當前時刻T = i的狀態(tài)states(i)，只和T = i時刻之前的n個狀態(tài)有關，即{states(i-1),states(i-2),...,states(i-n)}。

再看jieba中的狀態(tài)轉移概率，其實就是一個嵌套的詞典，數(shù)值是概率值求對數(shù)后的值，如下所示，

P={'B': {'E': -0.510825623765990, 'M': -0.916290731874155},'E': {'B': -0.5897149736854513, 'S': -0.8085250474669937},'M': {'E': -0.33344856811948514, 'M': -1.2603623820268226},'S': {'B': -0.7211965654669841, 'S': -0.6658631448798212}}

P['B']['E']代表的含義就是從狀態(tài)B轉移到狀態(tài)E的概率，由P['B']['E'] = -0.5897149736854513，表示當前狀態(tài)是B，下一個狀態(tài)是E的概率對數(shù)是-0.5897149736854513，對應的概率值是0.6，相應的，當前狀態(tài)是B，下一個狀態(tài)是M的概率是0.4，說明當我們處于一個詞的開頭時，下一個字是結尾的概率要遠高于下一個字是中間字的概率，符合我們的直覺，因為二個字的詞比多個字的詞更常見。這部分對應jieba/finaseg/prob_trans.py，具體可以查看源碼。

狀態(tài)發(fā)射概率，根據(jù)HMM模型中觀測獨立性假設，發(fā)射概率，即觀測值只取決于當前狀態(tài)值，也就如下所示，

P(observed[i],states[j]) = P(states[j]) * P(observed[i] | states[j])

其中，P(observed[i] | states[j])就是從狀態(tài)發(fā)射概率中獲得的。

P={'B': {'一': -3.6544978750449433,'丁': -8.125041941842026,'七': -7.817392401429855,...'S': {':': -15.828865681131282,'一': -4.92368982120877,'丁': -9.024528361347633,...

P['B']['一']代表的含義就是狀態(tài)處于'B'，而觀測的字是‘一’的概率對數(shù)值為P['B']['一'] = -3.6544978750449433。這部分對應jieba/finaseg/prob_emit.py，具體可以查看源碼。

2.3 Viterbi算法

Viterbi算法實際上是用動態(tài)規(guī)劃求解HMM模型預測問題，即用動態(tài)規(guī)劃求概率路徑最大（最優(yōu)路徑）。這時候，一條路徑對應著一個狀態(tài)序列。

根據(jù)動態(tài)規(guī)劃原理，最優(yōu)路徑具有這樣的特性：如果最優(yōu)路徑在時刻t通過結點 $i_{t}^{*}$ ，那么這一路徑從結點 $i_{t}^{*}$ 到終點 $i_{T}^{*}$ 的部分路徑，對于從 $i_{t}^{*}$ 到 $i_{T}^{*}$ 的所有可能的部分路徑來說，必須是最優(yōu)的。因為假如不是這樣，那么從 $i_{t}^{*}$ 到 $i_{T}^{*}$ 就有另一條更好的部分路徑存在，如果把它和從 $i_{t}^{*}$ 到達 $i_{T}^{*}$ 的部分路徑連接起來，就會形成一條比原來的路徑更優(yōu)的路徑，這是矛盾的。依據(jù)這個原理，我們只需要從時刻t=1開始，遞推地計算在時刻t狀態(tài)i的各條部分路徑的最大概率，直至得到時刻t=T狀態(tài)為i的各條路徑的最大概率。時刻t=T的最大概率就是最優(yōu)路徑的概率 $P^{*}$ ，最優(yōu)路徑的終結點 $i_{T}^{*}$ 也同時得到。之后，為了找出最優(yōu)路徑的各個結點，從終結點 $i_{T}^{*}$ 開始，由后向前逐步求得結點 $i_{T-1}^{*},...,i_{1}^{*}$ ，最終得到最優(yōu)路徑 $I^{*}=(i_{1}^{*},i_{2}^{*},...,i_{T}^{*})$ 。

2.4 輸出分詞結果

由Viterbi算法得到狀態(tài)序列，也就可以根據(jù)狀態(tài)序列得到分詞結果。其中狀態(tài)以B開頭，離它最近的以E結尾的一個子狀態(tài)序列或者單獨為S的子狀態(tài)序列，就是一個分詞。以”去北京大學玩“的隱藏狀態(tài)序列”SBMMES“為例，則分詞為”S / BMME / S“，對應觀測序列，也就是”去 / 北京大學 / 玩”。

3 源碼分析

jieba分詞中HMM模型識別未登錄詞的源碼目錄在jieba/finalseg/下，

__init__.py 實現(xiàn)了HMM模型識別未登錄詞；

prob_start.py 存儲了已經(jīng)訓練好的HMM模型的狀態(tài)初始概率表；

prob_trans.py 存儲了已經(jīng)訓練好的HMM模型的狀態(tài)轉移概率表；

prob_emit.py 存儲了已經(jīng)訓練好的HMM模型的狀態(tài)發(fā)射概率表；

3.1 HMM模型參數(shù)訓練

HMM模型的參數(shù)是如何訓練出來，此處可以參考jieba中Issue 模型的數(shù)據(jù)是如何生成的? ，如下是jieba的開發(fā)者的解釋：

來源主要有兩個，一個是網(wǎng)上能下載到的1998人民日報的切分語料還有一個msr的切分語料。另一個是我自己收集的一些txt小說，用ictclas把他們切分（可能有一定誤差），然后用python腳本統(tǒng)計詞頻。
要統(tǒng)計的主要有三個概率表：1)位置轉換概率，即B（開頭）,M（中間),E(結尾),S(獨立成詞）四種狀態(tài)的轉移概率；2）位置到單字的發(fā)射概率，比如P("和"|M)表示一個詞的中間出現(xiàn)”和"這個字的概率；3) 詞語以某種狀態(tài)開頭的概率，其實只有兩種，要么是B，要么是S。

3.2 基于HMM模型的分詞流程

jieba分詞會首先調用函數(shù)cut(sentence)，cut函數(shù)會先將輸入句子進行解碼，然后調用__cut函數(shù)進行處理。__cut函數(shù)就是jieba分詞中實現(xiàn)HMM模型分詞的主函數(shù)。__cut函數(shù)會首先調用viterbi算法，求出輸入句子的隱藏狀態(tài)，然后基于隱藏狀態(tài)進行分詞。

def __cut(sentence):global emit_P# 通過viterbi算法求出隱藏狀態(tài)序列prob, pos_list = viterbi(sentence, 'BMES', start_P, trans_P, emit_P)begin, nexti = 0, 0# print pos_list, sentence# 基于隱藏狀態(tài)序列進行分詞for i, char in enumerate(sentence):pos = pos_list[i]# 字所處的位置是開始位置if pos == 'B':begin = i# 字所處的位置是結束位置elif pos == 'E':# 這個子序列就是一個分詞yield sentence[begin:i + 1]nexti = i + 1# 單獨成字elif pos == 'S':yield charnexti = i + 1# 剩余的直接作為一個分詞，返回if nexti < len(sentence):yield sentence[nexti:]

3.3 Viterbi算法

首先先定義兩個變量， $delta,psi$，定義在時刻t狀態(tài)i的所有單個路徑 $(i_{1},i_{2},...,i_{t})$ 中概率最大值為

由此可得變量 $delta$ 的遞推公式為，

定義在時刻t狀態(tài)i的所有單個路徑

中概率最大的路徑的第t-1個結點為，

Viterbi算法的大致流程：

輸入：模型

和觀測序列 ；

輸出：最優(yōu)路徑

；

（1）初始化

（2）遞推

（3）終止

（4）最優(yōu)路徑回溯，對于t=T-1，T-2，...，1，

最終求得最優(yōu)路徑

；

jieba分詞實現(xiàn)Viterbi算法是在viterbi(obs, states, start_p, trans_p, emit_p)函數(shù)中實現(xiàn)。viterbi函數(shù)會先計算各個初始狀態(tài)的對數(shù)概率值，然后遞推計算，每時刻某狀態(tài)的對數(shù)概率值取決于上一時刻的對數(shù)概率值、上一時刻的狀態(tài)到這一時刻的狀態(tài)的轉移概率、這一時刻狀態(tài)轉移到當前的字的發(fā)射概率三部分組成。

def viterbi(obs, states, start_p, trans_p, emit_p):V = [{}] # tabularpath = {}# 時刻t = 0，初始狀態(tài)for y in states: # initV[0][y] = start_p[y] + emit_p[y].get(obs[0], MIN_FLOAT)path[y] = [y]# 時刻t = 1,...,len(obs) - 1for t in xrange(1, len(obs)):V.append({})newpath = {}# 當前時刻所處的各種可能的狀態(tài)for y in states:# 獲取發(fā)射概率對數(shù)em_p = emit_p[y].get(obs[t], MIN_FLOAT)# 分別獲取上一時刻的狀態(tài)的概率對數(shù)，該狀態(tài)到本時刻的狀態(tài)的轉移概率對數(shù)，本時刻的狀態(tài)的發(fā)射概率對數(shù)# 其中，PrevStatus[y]是當前時刻的狀態(tài)所對應上一時刻可能的狀態(tài)(prob, state) = max([(V[t - 1][y0] + trans_p[y0].get(y, MIN_FLOAT) + em_p, y0) for y0 in PrevStatus[y]])V[t][y] = prob# 將上一時刻最優(yōu)的狀態(tài) + 這一時刻的狀態(tài)newpath[y] = path[state] + [y]path = newpath# 最后一個時刻(prob, state) = max((V[len(obs) - 1][y], y) for y in 'ES')# 返回最大概率對數(shù)和最優(yōu)路徑return (prob, path[state])

相關優(yōu)化：

- 1.將每一時刻最優(yōu)概率路徑記錄下來，避免了第4步的最優(yōu)路徑回溯；

- 2.提前建立一個當前時刻的狀態(tài)到上一時刻的狀態(tài)的映射表，記錄每個狀態(tài)在前一時刻的可能狀態(tài)，降低計算量；如下所示，當前時刻的狀態(tài)是B，那么前一時刻的狀態(tài)只可能是（E或者S），而不可能是（B或者M）；

PrevStatus = {'B': 'ES','M': 'MB','S': 'SE','E': 'BM'}

4 Reference

李航，統(tǒng)計學習方法.?book.douban.comjieba 分詞源代碼研讀(3)?blog.csdn.netjieba中文分詞源碼分析（四）?blog.csdn.net

總結

以上是生活随笔為你收集整理的hmm 求隐藏序列_结巴分词3--基于汉字成词能力的HMM模型识别未登录词的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。