數據挖掘入門——分詞

時間 2019-11-17

原文原文鏈接

數據挖掘入門——分詞

谷歌4億英鎊收購人工智能公司DeepMind，百度目前正推動「百度大腦」項目，騰訊、阿里等各大巨頭也在積極佈局深度學習。隨着社會化數據大量產生，硬件速度上升、成本下降，大數據技術的落地實現，讓冷冰冰的數據具備智慧逐漸成爲新的熱點。要從數據中發現有用的信息就要用到數據挖掘技術，不過買來的數據挖掘書籍一打開全是大量的數學公式，而課本知識早已還給老師了，着實難如下手、很是頭大！算法

咱們不妨先跳過數學公式，看看咱們瞭解數據挖掘的目的——發現數據中價值。這個纔是關鍵，如何發現數據中的價值。那什麼是數據呢？好比你們要上網首先須要輸入網址，打開網頁後會自動判斷哪些是圖片、哪些是新聞、哪些是用戶名稱、遊戲圖標等。大腦能夠存儲大量的信息，包括文字、聲音、視頻、圖片等，這些一樣能夠轉換成數據存儲在電腦。人的大腦能夠根據輸入自動進行判斷，電腦能夠經過輸入判斷嗎？網絡

答案是確定的！不過須要咱們編寫程序來判斷每一種信息，就拿文字識別來講吧，怎麼從一我的在社交網絡的言論判斷他今天的心情是高興仍是憤怒！好比：「你假如上午沒給我吃冰淇淋，我絕對會不happy的。」信息發佈時間爲下午2點。對於咱們人類一看這個句子就知道他是吃過冰淇淋了，心情確定不會是憤怒。那計算機怎麼知道呢？架構

這就是今天的主題，要讓計算機理解句子的語義，必需要有個程序，上面的句子和發佈時間是輸入，輸出就是「高興」。要獲得「高興」就要創建「高興」的規則，能夠建一個感情色彩詞庫，好比高興（識別詞是高興、happy），憤怒（識別詞是憤怒、生氣）。這裏的識別詞就是輸入中出現的詞語，好比上面的句子中的「happy」就識別出了「高興」這個感情色彩詞。可是光識別出「happy」確定是不行的，前面的「假如……沒……，我……不……」等關鍵詞都須要識別出來，才能完整判斷一個句子的意思。爲了達到這個效果，就必需要用分詞技術了。app

分詞

咱們先人工對上面的句子來進行一下切詞，使用斜線分割：「你/假如/上午/沒/給/我/吃/冰淇淋/，/我/絕對/會/不/happy/的/。/」。可是程序如何作到自動切分？這個其實中國的前輩們已經作了不少中文分詞的研究，常見的分詞算法有：框架

1. 基於詞典的分詞，須要先預設一個分詞詞典，好比上面句子切分出來的「假如、上午」這些詞先存放在詞典，而後把句子切分紅單字組合成詞語去詞典裏查找，匹配上了就挑選出來一個詞。沒有匹配上的就切分紅單字。佈局

2. 基於統計的分詞，須要先獲取大量的文本語料庫（好比新聞、微博等），而後統計文本里相鄰的字同時出現的次數，次數越多就越可能構成一個詞。當達到必定次數時就構成了一個詞，便可造成語料機率庫。再對上面句子進行單字切分，把字與字結合後在語料機率庫裏查找對應的機率，若是機率大於必定值就挑選出來造成一個詞。這個是大概描述，實際生產環境中還須要對句子的上下文進行結合才能更準確的分詞。性能

3. 基於語義的分詞，簡而言之就是模擬人類對句子的理解來進行分詞。須要先整理出中文語句的句法、語義信息做爲知識庫，而後結合句子的上下文，對句子進行單字切分後組合成詞逐個帶入知識庫進行識別，識別出來就挑選出一個詞。目前尚未特別成熟的基於語義的分詞系統。學習

基於詞典的分詞測試

爲了讓你們快速的瞭解分詞技術，咱們採用第一個方式來作測試：基於詞典的分詞，這種方式簡單暴力能夠解決百分之七八十的問題。基於詞典的分詞大概分爲如下幾種方式：大數據

1. 正向最大匹配，沿着咱們看到的句子逐字拆分後組合成詞語到詞典裏去匹配，直到匹配不到詞語爲止。舉個實際的例子：「人民大會堂真雄偉」，咱們先拆分爲單字「人」去詞典裏去查找，發現有「人」這個詞，繼續組合句子裏的單字組合「人民」去詞典裏查找，發現有「人民」這個詞，以此類推發現到「人民大會堂」，而後會結合「人民大會堂真」去詞典裏查找沒有找到這個詞，第一個詞「人民大會堂」查找結束。最終分詞的結果爲：「人民大會堂/真/雄偉」。以下圖演示了用正向最大匹配算法識別人民大會堂的過程，「真」，「雄偉」的識別相似。

2. 逆向最大匹配，這個和上面相反，就是倒着推理。好比「沿海南方向」，咱們按正向最大匹配來作就會切分紅「沿海/南方/向」，這樣就明顯不對。採用逆向最大匹配法則來解決這個問題，從句子的最後取得「方向」這兩個字查找詞典找到「方向」這個詞。再加上「南方向」組成三字組合查找詞典沒有這個詞，查找結束，找到「方向」這個詞。以此類推，最終分出「沿/海南/方向」。

3. 雙向最大匹配，顧名思義就是結合正向最大匹配和逆向最大匹配，最終取其中合理的結果。最先由哈工大王曉龍博士理論化的取最小切分詞數，好比「我在中華人民共和國家的院子裏看書」，正向最大匹配切分出來爲「我/在/中華人民共和國/家/的/院子/裏/看書」工8個詞語，逆向最大匹配切分出來爲「我/在/中華/人民/共/和/國家/的/院子/裏/看書」共11個詞語。取正向最大匹配切出來的結果就是正確的。可是若是把上面那個例子「沿海南方向」雙向切分，都是3個詞語，改如何選擇？看第4個《最佳匹配法則》。

4. 最佳匹配法則，先準備一堆文本語料庫、一個詞庫，統計詞庫裏的每個詞在語料庫裏出現的次數記錄下來。最後按照詞頻高的優先選出，好比「沿海南方向」，正向切分爲：「沿海/南方/向」，逆向切分爲：「沿/海南/方向」。其中「海南」的頻度最高，優先取出來。剩下「沿」、「方向」也就正常切分了。是否是這就是基於詞典分詞的最佳方案？好比數學之美中提到的：「把手擡起來」和「這扇門的把手」，能夠分爲「把」、「手」、「把手」，無論怎麼分總有一句話的意思不對。後續再介紹如何經過統計的分詞處理這些問題。

說了這麼多，咱們來實戰一下如何基於詞典的分詞：

public class TestPositiveMatch {
    public static void main(String[] args) {
   String str = "我愛這個中華人民共和國你們庭";
   List<String> normalDict = new ArrayList<String>();

   normalDict.add("");
   normalDict.add("愛");
  normalDict.add("中華");  //測試詞庫裏有中華和中華人民共和國，按照最大匹配應該匹配出中華人民共和國
   normalDict.add("中華人民共和國");

  int strLen = str.length();  //傳入字符串的長度
   int j = 0;
  String matchWord = ""; //根據詞庫裏識別出來的詞
  int matchPos = 0; //根據詞庫裏識別出來詞後當前句子中的位置
  while (j < strLen) {  //從0字符匹配到字符串結束
  int matchPosTmp = 0;  //截取字符串的位置
   int i = 1;
  while (matchPosTmp < strLen) {  //從當前位置直到整句結束，匹配最大長度
   matchPosTmp = i + j;
  String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串
  if (normalDict.contains(keyTmp)) { //判斷當前字符串是否在詞典中
  matchWord = keyTmp;  //若是在詞典中匹配上了就賦值
  matchPos = matchPosTmp; //同時保存好匹配位置
   }
   i++;
   }
   if (!matchWord.isEmpty()) {
  //有匹配結果就輸出最大長度匹配字符串
   j = matchPos;
  //保存位置，下次從當前位置繼續日後截取
   System.out.print(matchWord + " ");
   } else {
  //從當前詞開始日後都沒有可以匹配上的詞，則按照單字切分的原則切分
   System.out.print(str.substring(j, ++j) + " ");
   }
   matchWord = "";
   }
   }
 }

輸出結果爲：我愛這個中華人民共和國你們庭

按照這樣咱們一個基本的分詞程序開發完成。

對於文章一開始提到的問題還沒解決，如何讓程序識別文本中的感情色彩。如今咱們先要構建一個感情色彩詞庫「高興」，修飾詞庫「沒」、」不」。再完善一下咱們的程序：

public class TestSentimentPositiveMatch {
   public static void main(String[] args) {
   String str = "你假如上午沒給我吃冰淇淋，我絕對會不happy的。";

  //語義映射
   Map<String, String> sentimentMap = new HashMap<String, String>();
   sentimentMap.put("happy", "高興");

  //情感詞庫
   List<String> sentimentDict = new ArrayList<String>();
   sentimentDict.add("happy");

  //修飾詞
   List<String> decorativeDict = new ArrayList<String>();
   decorativeDict.add("不");
   decorativeDict.add("沒");

  //修飾詞衡量分數
   Map<String, Double> decorativeScoreMap = new HashMap<String, Double>();
   decorativeScoreMap.put("不", -0.5);
   decorativeScoreMap.put("沒", -0.5);

  List<String> decorativeWordList = new ArrayList<String>();  //修飾詞
  String sentimentResult = ""; //情感結果

  int strLen = str.length();  //傳入字符串的長度
   int j = 0;
  String matchSentimentWord = ""; //根據詞庫裏識別出來的情感詞
  String matchDecorativeWord = ""; //根據詞庫裏識別出來的修飾詞
  int matchPos = 0; //根據詞庫裏識別出來詞後當前句子中的位置
  while (j < strLen) {  //從0字符匹配到字符串結束
  int matchPosTmp = 0;  //截取字符串的位置
   int i = 1;
  while (matchPosTmp < strLen) {  //從當前位置直到整句結束，匹配最大長度
   matchPosTmp = i + j;
  String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串
  if (sentimentDict.contains(keyTmp)) { //判斷當前字符串是否在詞典中
  matchSentimentWord = keyTmp;  //若是在詞典中匹配上了就賦值
  matchPos = matchPosTmp; //同時保存好匹配位置
   }
  if (decorativeDict.contains(keyTmp)) { //判斷當前字符串是否在詞典中
  matchDecorativeWord = keyTmp;  //若是在詞典中匹配上了就賦值
  matchPos = matchPosTmp; //同時保存好匹配位置
   }
   i++;
   }
   if (!matchSentimentWord.isEmpty()) {
  //有匹配結果就輸出最大長度匹配字符串
   j = matchPos;
  //保存位置，下次從當前位置繼續日後截取
   System.out.print(matchSentimentWord + " ");
   sentimentResult = sentimentMap.get(matchSentimentWord);
   }
   if (!matchDecorativeWord.isEmpty()) {
  //有匹配結果就輸出最大長度匹配字符串
   j = matchPos;
  //保存位置，下次從當前位置繼續日後截取
   System.out.print(matchDecorativeWord + " ");
   decorativeWordList.add(matchDecorativeWord);
   } else {
  //從當前詞開始日後都沒有可以匹配上的詞，則按照單字切分的原則切分
   System.out.print(str.substring(j, ++j) + " ");
   }
   matchSentimentWord = "";
   matchDecorativeWord = "";
   }

   double totalScore = 1;
   for (String decorativeWord : decorativeWordList) {
   Double scoreTmp = decorativeScoreMap.get(decorativeWord);
   totalScore *= scoreTmp;
   }

   System.out.print("\r\n");
   if (totalScore > 0) {
   System.out.println("當前心情是：" + sentimentResult);
   } else {
   System.out.println("當前心情是：不" + sentimentResult);
   }
   }
 }

經過傳入「你假如上午沒給我吃冰淇淋，我絕對會不happy的。」，結果輸出爲：「當前心情是：高興」。固然你也能夠改變其中的修飾詞，好比改成：「你假如上午沒給我吃冰淇淋，我絕對會happy的。」，結果輸出爲：「當前心情是：不高興」。

機器不再是冷冰冰的，看起來他能讀懂你的意思了。不過這只是一個開始，拋出幾個問題：