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

Java中的Lambda表达式及其应用小结

《Java中的Lambda表达式及其应用小结》Java中的Lambda表达式是一项极具创新性的特性,它使得Java代码更加简洁和高效,尤其是在集合操作和并行处理方面,:本文主要介绍Java中的La... 目录前言1. 什么是Lambda表达式?2. Lambda表达式的基本语法例子1:最简单的Lambda表

Python结合PyWebView库打造跨平台桌面应用

《Python结合PyWebView库打造跨平台桌面应用》随着Web技术的发展,将HTML/CSS/JavaScript与Python结合构建桌面应用成为可能,本文将系统讲解如何使用PyWebView... 目录一、技术原理与优势分析1.1 架构原理1.2 核心优势二、开发环境搭建2.1 安装依赖2.2 验

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

SpringShell命令行之交互式Shell应用开发方式

《SpringShell命令行之交互式Shell应用开发方式》本文将深入探讨SpringShell的核心特性、实现方式及应用场景,帮助开发者掌握这一强大工具,具有很好的参考价值,希望对大家有所帮助,如... 目录引言一、Spring Shell概述二、创建命令类三、命令参数处理四、命令分组与帮助系统五、自定

SpringBoot应用中出现的Full GC问题的场景与解决

《SpringBoot应用中出现的FullGC问题的场景与解决》这篇文章主要为大家详细介绍了SpringBoot应用中出现的FullGC问题的场景与解决方法,文中的示例代码讲解详细,感兴趣的小伙伴可... 目录Full GC的原理与触发条件原理触发条件对Spring Boot应用的影响示例代码优化建议结论F

MySQL 分区与分库分表策略应用小结

《MySQL分区与分库分表策略应用小结》在大数据量、复杂查询和高并发的应用场景下,单一数据库往往难以满足性能和扩展性的要求,本文将详细介绍这两种策略的基本概念、实现方法及优缺点,并通过实际案例展示如... 目录mysql 分区与分库分表策略1. 数据库水平拆分的背景2. MySQL 分区策略2.1 分区概念

Spring Shell 命令行实现交互式Shell应用开发

《SpringShell命令行实现交互式Shell应用开发》本文主要介绍了SpringShell命令行实现交互式Shell应用开发,能够帮助开发者快速构建功能丰富的命令行应用程序,具有一定的参考价... 目录引言一、Spring Shell概述二、创建命令类三、命令参数处理四、命令分组与帮助系统五、自定义S

C语言函数递归实际应用举例详解

《C语言函数递归实际应用举例详解》程序调用自身的编程技巧称为递归,递归做为一种算法在程序设计语言中广泛应用,:本文主要介绍C语言函数递归实际应用举例的相关资料,文中通过代码介绍的非常详细,需要的朋... 目录前言一、递归的概念与思想二、递归的限制条件 三、递归的实际应用举例(一)求 n 的阶乘(二)顺序打印

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