MDL最小描述长度在分词研究中的应用

2023-12-01 22:18

本文主要是介绍MDL最小描述长度在分词研究中的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

MDL(minimum description length,最小描述长度) 原理是 Rissane 在研究通用编码时提出的。其基本原理是对于一组给定的实例数据 D , 如果要对其进行保存 ,为了节省存储空间, 一般采用某种模型对其进行编码压缩,然后再保存压缩后的数据。同时, 为了以后正确恢复这些实例数据,将所用的模型也保存起来。所以需要保存的数据长度( 比特数) 等于这些实例数据进行编码压缩后的长度加上保存模型所需的数据长度,将该数据长度称为总描述长度。最小描述长度( MDL) 原理就是要求选择总描述长度最小的模型。

最小描述长度在分词中的应用也比较直接,就是将分词视为一种编码方式,如一个字符串,”iloveyou“ ,总共8个符号,就是对应的8个字母,经过分词后就是“i love you”,就只有3个符号,就是3个单词,这样总长度变小了,但是需要额外的信息来记录单词的信息,也就是模型。因此需要的总的长度不一定变小。

最小描述长度具体应用的分词中的计算方式,见paper “Shlomo Argamon, Navot Akiva, Amihood Amir, and Oren Kapah. Efficient unsupervised word segmentation using minimum description length. In  Coling 2004, 2004.”
其基本公式为:     
CODE(Data| L) + CODE( L)
其中L是词典,Data是语料,ODE函数表示描述数据需要的最小位数
两个部分中,CODE( L)就是描述词典所需的信息,也就是记录模型需要信息:CODE(L) = b*sum(length(w)),其中b表示描述字母集所需要的位数,如2个字母,需要的位数就是1bit,4个就是2bits,依次类推。w表示词典中词的长度 

CODE(Data|L)为分词后的语料,记录这样的语料需要的信息:
CODE(Data|L) = -sum[ C(w) * ( log(C(w))-  log(N) )  ]
其中C(w)为语料中词w的出现的次数,N为语料的包含总的词数。如语料为:Data =  w3 www2 ww3 则语料共有6个词,其中w3的数量为2,w1为1..., 这个里面的log应该是以2为底的

举一个简单的例子,两行已经分好词的语料:
a b
ab a ba

字典部分:
共有两个字符,则b=1,即为用一个bit就可以表示a,b两个字母了
共有4个词,a,b,ab,ba
其长度和为1+1+2+2 = 6
则CODE(L)部分的值为1*6 = 6

分词后的语料部分:
语料长度为5个词,则N=5
其中:
a出现2次,则对应的值为2*( log(2)-log(5) ) = -2.64
b,ab,ba均出现1次,对应的值均为1*( log(1)-log(5) ) =-2.32

则CODE(Data|L) ,也就是语料部分的值为 :
-1*(-2.64 -2.32-2.32-2.32 ) = 9.61

则该词语料的总的描述长度 mdl=6+9.61 = 15.61

这个数组其实是描述这个分词方法和对应语料需要的总的信息量。对其取2为底的对数,则值为log2(15.61)=3.9,也就是编码这个分词后的数据,需要的最小2进制位数是4位。
相应的,我们可以计算一下,不经分词,就是只用字母来表示这个语料,需要的信息量约为8.8966,显然,这样的分词方式是得不偿失的,当然,如果词出现很多,分词后记录语料的信息量会是少的。

对应的python代码如下,其中输入文件为分词好的语料,词直接用空格隔开,一行一个句子

[python]  view plain copy
在CODE上查看代码片 派生到我的代码片
  1. #!/usr/bin/env python  
  2. #coding=utf-8  
  3. import sys   
  4. import math  
  5. reload(sys)  
  6. sys.setdefaultencoding('utf-8')  
  7.   
  8. #MDL,(minimum description length),最小描述长度  
  9. #输入,分好词的文件,格式为 词 空格 词 空格...  
  10. word_dict = {}  
  11.   
  12. #加载语料,统计词和词频,用于后续的处理  
  13. def load_corpus(word_seq_file_name):  
  14.     data_file = open(word_seq_file_name, "r")  
  15.     for line in data_file:  
  16.         line = line.strip()  
  17.         word_list = line.split(" ")  
  18.         for word in word_list:  
  19.             word_dict.setdefault(word,float(0))  
  20.             word_dict[word] += 1  
  21.     return 0  
  22.   
  23. #获得字母的描述长度值  
  24. #目前只处理单字节的字母  
  25. def get_letter_info():  
  26.     letter_dict = {}  
  27.     #统计letter  
  28.     for word in word_dict:  
  29.         for letter in word:  
  30.             letter_dict.setdefault(letter, 0)  
  31.             letter_dict[letter] += 1  
  32.       
  33.     #计算字母的描述长度  
  34.     letter_num = float(len(letter_dict))  
  35.     letter_info = math.log(letter_num, 2)  
  36.   
  37.     return letter_info  
  38.   
  39. #获得词典的词的总长度  
  40. def get_dict_info():  
  41.     word_length_sum = 0  
  42.     for word in word_dict:  
  43.         word_length_sum += len(word)  
  44.   
  45.     return word_length_sum  
  46.   
  47. #获得单词序列的描述长度  
  48. def get_word_seq_info():  
  49.     word_info_sum = 0  
  50.     freq_sum = sum(word_dict.itervalues()) #所有词的词频  
  51.     for word in word_dict:  
  52.         word_freq = word_dict[word]  
  53.         word_info = word_freq * ( math.log(word_freq, 2) - math.log(freq_sum, 2) )  
  54.         word_info_sum += word_info  
  55.       
  56.     word_seq_info = -1*word_info_sum  
  57.     return word_seq_info  
  58.   
  59. #获得最终的mdl  
  60. def get_mdl():  
  61.     letter_info = get_letter_info()  
  62.     dict_info = get_dict_info()  
  63.     word_seq_info = get_word_seq_info()  
  64.     mdl = letter_info*dict_info + word_seq_info  
  65.     return mdl  
  66.   
  67. if __name__=="__main__":  
  68.     if len(sys.argv)!=2:  
  69.         print "please input word corpus filename"  
  70.         sys.exit()  
  71.     load_corpus(sys.argv[1])  
  72.     print get_mdl()  

数据文件例子:

[html]  view plain copy
在CODE上查看代码片 派生到我的代码片
  1. a b  
  2. ab a ba  

处理这个文件,获得的值得应该是
15.61

这篇关于MDL最小描述长度在分词研究中的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/442885

相关文章

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Android Kotlin 高阶函数详解及其在协程中的应用小结

《AndroidKotlin高阶函数详解及其在协程中的应用小结》高阶函数是Kotlin中的一个重要特性,它能够将函数作为一等公民(First-ClassCitizen),使得代码更加简洁、灵活和可... 目录1. 引言2. 什么是高阶函数?3. 高阶函数的基础用法3.1 传递函数作为参数3.2 Lambda

Java中&和&&以及|和||的区别、应用场景和代码示例

《Java中&和&&以及|和||的区别、应用场景和代码示例》:本文主要介绍Java中的逻辑运算符&、&&、|和||的区别,包括它们在布尔和整数类型上的应用,文中通过代码介绍的非常详细,需要的朋友可... 目录前言1. & 和 &&代码示例2. | 和 ||代码示例3. 为什么要使用 & 和 | 而不是总是使

Python循环缓冲区的应用详解

《Python循环缓冲区的应用详解》循环缓冲区是一个线性缓冲区,逻辑上被视为一个循环的结构,本文主要为大家介绍了Python中循环缓冲区的相关应用,有兴趣的小伙伴可以了解一下... 目录什么是循环缓冲区循环缓冲区的结构python中的循环缓冲区实现运行循环缓冲区循环缓冲区的优势应用案例Python中的实现库

SpringBoot整合MybatisPlus的基本应用指南

《SpringBoot整合MybatisPlus的基本应用指南》MyBatis-Plus,简称MP,是一个MyBatis的增强工具,在MyBatis的基础上只做增强不做改变,下面小编就来和大家介绍一下... 目录一、MyBATisPlus简介二、SpringBoot整合MybatisPlus1、创建数据库和

python中time模块的常用方法及应用详解

《python中time模块的常用方法及应用详解》在Python开发中,时间处理是绕不开的刚需场景,从性能计时到定时任务,从日志记录到数据同步,时间模块始终是开发者最得力的工具之一,本文将通过真实案例... 目录一、时间基石:time.time()典型场景:程序性能分析进阶技巧:结合上下文管理器实现自动计时

Java逻辑运算符之&&、|| 与&、 |的区别及应用

《Java逻辑运算符之&&、||与&、|的区别及应用》:本文主要介绍Java逻辑运算符之&&、||与&、|的区别及应用的相关资料,分别是&&、||与&、|,并探讨了它们在不同应用场景中... 目录前言一、基本概念与运算符介绍二、短路与与非短路与:&& 与 & 的区别1. &&:短路与(AND)2. &:非短

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav