ngram模型中文语料实验step by step(1)-分词与统计

2024-05-13 06:08

本文主要是介绍ngram模型中文语料实验step by step(1)-分词与统计,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!

ngram模型是统计语言的最基本的模型了,这里将给出用中文语料做实验建立ngram模型的个人总结,主要参考sun拼音2.0的代码以及有点意思拼音输入法,会参考srilmstevejian.cublog.cn。我会尽量逐步完成所有的实验总结。

分词与统计

对于中文语料和英文不同需要我们先进行分词,当然如果是切分好空格隔开的语料就简单许多。假设是普通的语料,sun拼音的做法是采用正向最大匹配分词,并且去掉可能有歧义的部分,当然这些都是首先依赖于词典。

  1. 利用词典文本建立一个存储字典中词的索引结构。可以选择hash map,map,trie树等结构,这里选择double array trie作为索引结构。我这里采用的是GBK的编码方式对于每一个字给予一个trie树种的编码,同时对于每一个词典中的词给予一个唯一的int型的编号,我们在后续统计三元组以及建立ngram模型的时候采用都是词的编号而不是词本身,这主要是为了节省空间,方便数据结构写硬盘以及排序,当然用string其实也是可以的。我们的词典中会保证有所有的GBK单字作为词。 
  2. 基于1步骤词典的最大匹配分词,这里为了简单只考虑中文,而英文,标点等等都作为分割符号。为了简单没有采用句子开始符号和结尾符号而是采用统一的分割符号。10表示分隔符号,用9表示歧义。与sun拼音不同的是这里采用直接逐句分词添加到统计模块的做法而不是对于整个文本分词写文件再读文件再统计三元组的做法。这样可以方便处理比如直接从数据库中的用户查询作为语料。统计的时候可以采用map/hash_map+sort的方法(其实就是单机版的map_reduce),保证最后三元组是排好序的从而方便ngram模型的建立。如果语料较大可以考虑利用hadoop统计。 
  3. 关于歧义部分的识别处理,参考 “有点意思拼音输入法” 
    1. 在processSingleFile()中,逐句读取语料库,例如,"为人民办实事的精神",然后进行调用SIMDict::matchLongest()进行最长匹配。
      因为辞典中有“为人民”这个词条,因此分割到的第一个词是“为人民”,其长度为3,然后调用getAmbiLen(),来分析是否有交集歧义,并返回最大交集歧义的长度。下面是每次迭代的情况: 
    2. 人民, 办实事的精神 -> i=1, len=2, word_len=3, 对“人民办实事”进行最长匹配,分割到的词为“人民”,其长度为2, 
    3. 民办, 实事的精神 -> i=2, len=2, word_len=4, 对“民办实事”进行最长匹配,分割到的词为“民办”,其长度为2,因为i与len的合超过了最初传入的word_len,则设置word_len为4,继续迭代。可以看出,此时歧义已经检测到了。 
    4. 办实事, 的精神 -> i=3, len=3, word_len=6 
    5. 实事, 的精神 -> i=4, len=2, word_len=6 
    6. 事, 的精神 -> i=5, len=1, word_len=6, 最后歧义的长度为6 
    7. 退出循环,返回得到的长度,即6 
    8. 如果指定了ambiguous-id,则会将这6个字符作为一个AMBI-ID(由参数-a指定),输出到分词的结果中。然后跳过这6个字符,继续进行分词。当句子结束时,如果使用二进制格式输出,则会输出一个句子结束的ID(由参数-s指定)。最后得到的结果是:
      $ echo "为人民办实事的精神" | ./mmseg -d ../raw/dict.utf8 -f text -s 10 -a 9
      <ambi>为人民办实事</ambi> 的 精神

那么,我们最终得到的分词结果中,所有的交集歧义都作为作为一个词AMBI-ID,相当于我们忽略了这部分信息(这个比例并不低)。这样在我们后面的统计中,绝大部分的3元组都可以保证是有意义和有价值的。进而训练得到的统计语言模型,能够排除交集歧义的影响。然后,可以这个模型,使用slmseg,重新对语料库进行分词,并计算新的语言模型。这一次,原来忽略的带有歧义的信息,我们也加以利用。

  • 实验结果。 
    • 测试文本

小明读了一本书。小红读了一本书。
美丽的心灵,美丽的世界,美丽的心灵
最 伟大 的 足球 运动员 !
为人民办实事的精神

    • 分词结果 (注意结果和字典有很大关系:)
    • 不考虑去除歧义的最大匹配切分:

      (10) 小明(95986) 读(696) 了(1740) 一(3322) 本书(10966) 。(10) 小红(95813) 读(696) 了(1740) 一(3322) 本书(10966) 。(10)
      (10) 美丽(61314) 的(605) 心灵(97425) ,(10) 美丽(61314) 的(605) 世界(79499) ,(10) 美丽(61314) 的(605) 心灵(97425) (10)
      (10) 最(3843)  (10) 伟大(90591)  (10) 的(605)  (10) 足球(117470)  (10) 运动员(108391)  (10)
      (10) 为人(90374) 民办(62366) 实事(79157) 的(605) 精神(48942) (10) 

      考虑去除歧义部分的最大匹配切分(注意我的词典里面没有”办实事”这个词):

      (10) 小明(95986) 读(696) 了(1740) 一(3322) 本书(10966) 。(10) 小红(95813) 读(696) 了(1740) 一(3322) 本书(10966) 。(10)
      (10) 美丽(61314) 的(605) 心灵(97425) ,(10) 美丽(61314) 的(605) 世界(79499) ,(10) 美丽(61314) 的(605) 心灵(97425) (10)
      (10) 最(3843)  (10) 伟大(90591)  (10) 的(605)  (10) 足球(117470)  (10) 运动员(108391)  (10)
      (10) <ambi>为人民办</ambi>(9) 实事(79157) 的(605) 精神(48942) (10)

                另外需要注意如果是用分好词的语料,显然应该对应空格不作为gap(标号为10)处理。

    • 统计排序的结果

       仅给出按照上面不去除歧义部分的分词对应的统计结果:

<b> 的 <b> 1
10 605 10 
<b> 最 <b> 1
10 3843 10 
<b> 美丽 的 3
10 61314 605 
<b> 为人 民办 1
10 90374 62366 
<b> 伟大 <b> 1
10 90591 10 
<b> 小红 读 1
10 95813 696 
<b> 小明 读 1
10 95986 696 
<b> 运动员 <b> 1
10 108391 10 
<b> 足球 <b> 1
10 117470 10 
的 <b> 足球 1
605 10 117470 
的 精神 <b> 1
605 48942 10 
的 世界 <b> 1
605 79499 10 
的 心灵 <b> 2
605 97425 10 
读 了 一 2
696 1740 3322 
了 一 本书 2
1740 3322 10966 
一 本书 <b> 2
3322 10966 10 
最 <b> 伟大 1
3843 10 90591 
本书 <b> <b> 1
10966 10 10 
本书 <b> 小红 1
10966 10 95813 
精神 <b> <b> 1
48942 10 10 
美丽 的 世界 1
61314 605 79499 
美丽 的 心灵 2
61314 605 97425 
民办 实事 的 1
62366 79157 605 
实事 的 精神 1
79157 605 48942 
世界 <b> 美丽 1
79499 10 61314 
为人 民办 实事 1
90374 62366 79157 
伟大 <b> 的 1
90591 10 605 
小红 读 了 1
95813 696 1740 
小明 读 了 1
95986 696 1740 
心灵 <b> <b> 1
97425 10 10 
心灵 <b> 美丽 1
97425 10 61314 
运动员 <b> <b> 1
108391 10 10 
足球 <b> 运动员 1
ngram_builder.ngramTypeNum(1) ------- 19
ngram_builder.ngramTypeNum(2) ------- 21
ngram_builder.ngramTypeNum(3) ------- 13
ngram_builder.tokenNum() ------- 40

这篇关于ngram模型中文语料实验step by step(1)-分词与统计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/984888

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

hdu1496(用hash思想统计数目)

作为一个刚学hash的孩子,感觉这道题目很不错,灵活的运用的数组的下标。 解题步骤:如果用常规方法解,那么时间复杂度为O(n^4),肯定会超时,然后参考了网上的解题方法,将等式分成两个部分,a*x1^2+b*x2^2和c*x3^2+d*x4^2, 各自作为数组的下标,如果两部分相加为0,则满足等式; 代码如下: #include<iostream>#include<algorithm

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU