前言
在機器學習中，我們有了訓練集的話，就開始預測。預測是指利用模型對句子進行推斷的過程。在中文分詞任務中也就是利用模型推斷分詞序列，同時也叫解碼。
在HanLP庫中，二元語法的解碼由ViterbiSegment分詞器提供。本篇將詳細介紹ViterbiSegment的使用方式
加載模型
在前篇博文中，我們已經得到了訓練的一元，二元語法模型。后續的處理肯定會基于這幾個文件來處理。所以，我們首先要做的就是加載這些模型到程序中：
if __name__ == "__main__":
MODEL_PATH = "123"
HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
print(CoreDictionary.getTermFrequency("秦機"))
print(CoreBiGramTableDictionary.getBiFrequency("秦機","的"))
運行之后，效果如下：
這里我們使用CoreDictionary.getTermFrequency()方法獲取”秦機“的頻次。使用CoreBiGramTableDictionary.getBiFrequency()方法獲取“秦機 的”的二元語法頻次。
構建詞網
在前文中我們介紹了符號“末##末“，代表句子結尾，”始##始“代表句子開頭。而詞網指的是句子中所有一元語法構成的網狀結構。比如MSR詞典中的“秦機和科技”這個句子，是給定的一元詞典。我們將句子中所有單詞找出來。得到如下詞網：
[始##始]
[秦機]
[]
[和，和科]
[科技]
[技]
[末##末]
對應的此圖如下所示：
當然，這里博主只是舉例說明詞網的概念，“和科”并不是一個單詞。
下面，我們來通過方法構建詞網。具體代碼如下：
def build_wordnet(sent, trie):
JString = JClass('java.lang.String')
Vertex = JClass('com.hankcs.hanlp.seg.common.Vertex')
WordNet = JClass('com.hankcs.hanlp.seg.common.WordNet')
searcher = trie.getSearcher(JString(sent), 0)
wordnet = WordNet(sent)
while searcher.next():
wordnet.add(searcher.begin + 1,
Vertex(sent[searcher.begin:searcher.begin + searcher.length], searcher.value, searcher.index))
# 原子分詞，保證圖連通
vertexes = wordnet.getVertexes()
i = 0
while i len(vertexes):
if len(vertexes[i]) == 0: # 空白行
j = i + 1
for j in range(i + 1, len(vertexes) - 1): # 尋找第一個非空行 j
if len(vertexes[j]):
break
wordnet.add(i, Vertex.newPunctuationInstance(sent[i - 1: j - 1])) # 填充[i, j)之間的空白行
i = j
else:
i += len(vertexes[i][-1].realWord)
return wordnet
if __name__ == "__main__":
MODEL_PATH = "123"
HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
print(build_wordnet("秦機和科技", CoreDictionary.trie))
運行之后，我們會得到與上圖歸納差不多的內容：
維特比算法
如果現在我們賦予上述詞圖每條邊以二元語法的概率作為距離，那么如何求解詞圖上的最短路徑就是一個關鍵問題。
假設文本長度為n，則一共有2（n-1次方）種切分方式，因為每2個字符間都有2種選擇：切或者不切，時間復雜度就為O(2(n-1次方))。顯然不切實際，這里我們考慮使用維特比算法。
維特比算法原理：它分為前向和后向兩個步驟。
- 前向：由起點出發從前往后遍歷節點，更新從起點到該節點的最下花費以及前驅指針
- 后向：由終點出發從后往前回溯前驅指針，取得最短路徑
維特比算法用python代碼的實現如下：
def viterbi(wordnet):
nodes = wordnet.getVertexes()
# 前向遍歷
for i in range(0, len(nodes) - 1):
for node in nodes[i]:
for to in nodes[i + len(node.realWord)]:
# 根據距離公式計算節點距離，并維護最短路徑上的前驅指針from
to.updateFrom(node)
# 后向回溯
# 最短路徑
path = []
# 從終點回溯
f = nodes[len(nodes) - 1].getFirst()
while f:
path.insert(0, f)
# 按前驅指針from回溯
f = f.getFrom()
return [v.realWord for v in path]
實戰
現在我們來做個測試，我們在msr_test_gold.utf8上訓練模型，為秦機和科技常見詞圖，最后運行維特比算法。詳細代碼如下所示：
if __name__ == "__main__":
MODEL_PATH = "123"
corpus_path = r"E:\ProgramData\Anaconda3\Lib\site-packages\pyhanlp\static\data\test\icwb2-data\gold\msr_test_gold.utf8"
train_model(corpus_path, MODEL_PATH)
HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")
CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')
ViterbiSegment = JClass('com.hankcs.hanlp.seg.Viterbi.ViterbiSegment')
MODEL_PATH = "123"
HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"
HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"
sent = "秦機和科技"
wordnet = build_wordnet(sent, CoreDictionary.trie)
print(viterbi(wordnet))
有的人可能有疑問，因為二元模型里，本身就存在秦機 和
科技這個樣本。這么做不是多此一舉嗎？那好，我們替換sent的文本內容為“北京和廣州”，這個樣本可不在模型中。運行之后，效果如下：
我們發現依然能正確的分詞為[北京 和 廣州]，這就是二元語法模型的泛化能力。至此我們走通了語料標注，訓練模型，預測分詞結果的完整步驟。
到此這篇關于Python預測分詞的實現的文章就介紹到這了,更多相關Python預測分詞內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python jieba分詞并統計詞頻后輸出結果到Excel和txt文檔方法
- Python基于jieba庫進行簡單分詞及詞云功能實現方法
- python中文分詞庫jieba使用方法詳解
- python中文分詞,使用結巴分詞對python進行分詞(實例講解)
- python實現中文分詞FMM算法實例
- Python中文分詞庫jieba,pkusegwg性能準確度比較
- python實現機械分詞之逆向最大匹配算法代碼示例
