基于统计的分词方法

1.n元语言模型(n-gram)

假设$S$表示长度为$i$,由$(w_1,w_2,\dots,w_m)$字序列组成的句子,则代表$S​$的概率为:

  • $n=1$,uni-gram

  • $n=2$,bi-gram

  • $n=3$,tri-gram

2.基于HMM的分词

HMM的参数

观测序列(输出状态序列),状态序列(隐藏状态序列),初始概率,转移概率(转移概率矩阵),发射概率(发射概率矩阵)

数学定义

状态值集合(隐藏状态):$Q=\{q_1,q_2,\cdots,q_N\}$,$N$为可能的状态数,对应状态序列$I​$

观测值集合(输出状态):$V=\{v_1,v_2,\cdots,v_M\}$,$M$为可能的观测数,对应观测序列$O$

转移概率矩阵:$A=[a_{ij}];i,j\in\{1,2,\cdots,N\}$,从$i$状态到$j$状态的转换概率($\sum_{j=1}^Na_{ij}=1$)

发射概率矩阵(观测概率矩阵):$B=[b_j(k)];j\in\{1,2,\cdots,N\},k\in\{1,2,\cdots,M\}$,从状态$j$生成观测$k$的概率

初始状态分布:$\pi$

模型:$\lambda=(A,B,\lambda)$,状态序列$I$,观测序列$O$

HMM中的三个问题:

  • 概率计算问题:已知模型,求观测序列$O$出现的概率;前向后向算法
  • 学习问题:已知观测序列,求模型参数,最大化$P(O|\lambda)$;鲍姆-韦尔奇(Baum-Welch)算法

    • 已知隐藏序列和观测序列(通过频数估计)

      $A_{ij}$表示隐藏状态$q_i$转移到$q_j$的频率计数

      $B_{jk}$表示隐藏状态$q_j$转移到观测状态$v_k$的频率计数

      $C(i)$为所有样本中初始隐藏状态$q_j$的频率计数

    • 仅知观测序列(鲍姆-韦尔奇算法,EM算法)

      EM算法:最大似然估计用于没有隐变量的概率模型,EM算法可以用于有隐变量的算法模型

      模型参数:

  • 解码问题:已知模型$\lambda$与观测序列$O$,求状态序列$I$最大化$P(I|O)$;维特比(Viterbi)算法

HMM是一种序列模型,不仅可以用到自然语言处理这个领域,其他领域的应用也很常见:股指预测,语音识别,网络安全,基因序列等方面

在自然语言处理中,HMM可以应用在分词,词性标注,命名实体识别等各个方面.

在分词方面可以这样理解HMM

观测序列(输出状态序列)—-序列构成的句子或短文

状态序列(隐藏状态序列)—-标注

初始概率—-统计的第一个字序的概率

转移概率(转移概率矩阵)—-第$i$个字序到第$i+1$个自序的标注变换概率

发射概率(发射概率矩阵)—-从隐藏状态到输出状态的转换概率

如果把观测序列看作标注,状态序列看作句子,从解码问题转变成学习问题会怎样

在序列预测问题中

HMM模型:当前tag仅依赖前一个tag,当前输出仅依赖当前tag(文档的单词序列是由隐藏状态的标签决定的)

MEMM(最大熵马尔科夫模型)模型:当前tag取决于观察值x(单词)和前一个tag(序列的标签取决于前一个标签和当前的单词)

CRF模型:计算损失时把一句话看作一个整体计算损失

参考资料

1.https://www.cnblogs.com/hiyoung/archive/2018/09/25/9703976.html

2.http://www.52nlp.cn/hmm-learn-best-practices-one-introduction

3.https://www.cnblogs.com/en-heng/p/6164145.html?utm_source=debugrun&utm_medium=referral

4.http://www.wanguanglu.com/2017/01/03/crf-introduction/