Beautiful Data-统计语言模型的应用三：分词7

　　走到这一步，我们利用Google的一元语言模型进行分词的程序基本上已经完成了，先看一下已完成的segment.py程序吧：
[cc lang="python"]
import operator

def segment( text ):
"""Return a list of words that is the best segmentation of text."""
if not text : return []
candidates = ( [first] + segment( rem ) for first, rem in splits( text ) )
return max( candidates, key = Pwords )

def splits( text, L = 20 ):
"""Return a list of all possible ( first, rem ) pairs, len( first ) <=L""" return [ ( text[:i+1], text[i+1:] ) for i in range( min(len(text), L ) ) ] def Pwords( words ): """The Naive Bayes probability of a sequence of words.""" return product( Pw(w) for w in words ) def product( nums ): """Return the product of a sequence of numbers.""" return reduce( operator.mul, nums, 1 ) class Pdist( dict ): """A probability distribution estimated from counts in datafile.""" def __init__( self, data, N = None, missingfn = None ): for key, count in data: self[key] = self.get( key, 0 ) + int( count ) self.N = float( N or sum( self.itervalues() ) ) self.missingfn = missingfn or ( lambda k, N: 1./N ) def __call__( self, key ): if key in self: return self[key] / self.N else: return self.missingfn( key, self.N ) def datafile( name, sep = '\t' ): """Read key, value pairs from file.""" for line in file( name ): yield line.split( sep ) def avoid_long_words( word, N ): 　　"""Estimate the probability of an unknown word.""" return 10./( N * 10**len( word ) ) N = 1024908267229 ## Number of tokens in corpus Pw = Pdist( datafile( 'count_1w.txt' ), N, avoid_long_words ) [/cc] 　　其中Pwords和segment两个函数还没有测试，先利用Python解释器测一下。先测count_1w.txt里前三个单词the,of,and，其中： 　　Count(the) = 23135851162 　　Count(of) = 13151942776 　　Count(and) = 12997637966 　　>>> segment.N
　　1024908267229L
　　>>> segment.Pw( "the" )
　　0.022573582340740989
　　>>> 23135851162. / segment.N
　　0.022573582340740989
　　>>> segment.Pw( "of" )
　　0.012832312116632971
　　>>> 13151942776. / segment.N
　　0.012832312116632971
　　>>> segment.Pw( "and" )
　　0.012681757364628494
　　>>> 12997637966. / segment.N
　　0.012681757364628494
　　测一个造出来的未登录词“theofand”:
　　>>> segment.Pw( "theofand" )
　　9.7569707648437317e-20
　　>>> 10. / ( segment.N * 10 ** len( "theofand" ) )
　　9.7569707648437317e-20

　　再来看Pwords函数，它返回“product( Pw(w) for w in words )”:
　　>>> segment.Pwords( ["the", "of", "and"] )
　　3.6735405611059254e-06
　　也就是等于：
　　>>> segment.Pw( "the" ) * segment.Pw( "of" ) * segment.Pw( "and" )
　　3.6735405611059254e-06

　　最后我们来看segment函数了，先测一下分词第一节所举的两个例子：
　　>>> segment.segment( "choosespain" )
　　['choose', 'spain']
　　>>> segment.segment( "insufficientnumbers" )
　　['insufficient', 'numbers']
　　不错，全分正确了，再试一下“自然语言处理”的英文单词：
　　>>> segment.segment( "naturallanguageprocessing" )
　　...
　　陷入了长时间的停顿，看看你机器的CPU，总有一个在100％的全力运行， 但不管怎么说，还是等到了正确的分词结果：
　　['natural', 'language', 'processing']
　　如果读者愿意，可以继续试一下，譬如“我爱自然语言处理”：
　　>>> segment.segment( "Ilovenaturallanguageprocessing" )
　　...
　　这一次，我实在等不下去了。问题出在了什么地方？再回顾一下segment函数的代码吧：
[cc lang="python"]
def segment( text ):
"""Return a list of words that is the best segmentation of text."""
if not text : return []
candidates = ( [first] + segment( rem ) for first, rem in splits( text ) )
return max( candidates, key = Pwords )
[/cc]
　　关于“max(candidates,key=Pwords)”这里引用前一节评论中热心读者navygong的解释:

candidates实际上是个generator(生成器)，你提到的这两行代码就是计算每种候选分词方式的概率，并从中取概率最大的那种。如”wheninthecourse”可能的分词方式有
['w', 'henin', 'the', 'course']
['wh', 'en', 'in', 'the', 'course']
['whe', 'n', 'in', 'the', 'course']
…
['wheninthecour', 'se']
['wheninthecours', 'e']
['wheninthecourse']。
以['wh', 'en', 'in', 'the', 'course']为例，Pwords函数作用到这个列表上后得到的是各个词出现的概率的乘积。然后用max函数取出最大乘积的那种候选分词方式。

未完待续：分词8

注：原创文章，转载请注明出处“我爱自然语言处理”：www.52nlp.cn

本文链接地址：https://www.52nlp.cn/beautiful-data-统计语言模型的应用三分词7