【NLP 17、NLP的基础——分词】

我始终相信，世间所有的安排都有它的道理；失之东隅，收之桑榆

                                                                                        —— 24.12.20

一、中文分词的介绍

1.为什么讲分词？

① 分词是一个被长期研究的任务，通过了解分词算法的发展，可以看到NLP的研究历程

② 分词是NLP中一类问题的代表

③ 分词很常用，很多NLP任务建立在分词之上

2.中文分词的难点

歧义切分

① 南京市长江大桥     ② 欢迎新老师生前来就餐        ③ 无线电法国别研究        ④ 乒乓球拍卖完了

新词/专用名词/改造词等

① 九漏鱼      ② 活性位点、受体剪切位点      ③ 虽迟但到、十动然拒

二、中文分词的方法

1.正向最大匹配

分词步骤：

① 收集一个词表

② 对于一个待分词的字符串，从前向后寻找最长的，在此表中出现的词，在词边界做切分

③ 从切分处重复步骤②，直到字符串末尾

实现方式一

1.找出词表中最大词长度

2.从字符串开头开始选取最大词长度的窗口，检查窗口内的词是否在词表中

3.如果在词表中，在词边界处进行切分，之后移动到词边界处，重复步骤2

4.如果不在词表中，窗口右边界回退一个字符，之后检查窗口词是否在词表中

#分词方法：最大正向切分的第一种实现方式

import re
import time

#加载词典
def load_word_dict(path):
    max_word_length = 0
    word_dict = {}  #用set也是可以的。用list会很慢
    with open(path, encoding="utf8") as f:
        for line in f:
            word = line.split()[0]
            word_dict[word] = 0
            # 记录词的最大长度
            max_word_length = max(max_word_length, len(word))
    return word_dict, max_word_length

#先确定最大词长度
#从长向短查找是否有匹配的词
#找到后移动窗口
def cut_method1(string, word_dict, max_len):
    words = []
    while string != '':
        lens = min(max_len, len(string))
        word = string[:lens]
        while word not in word_dict:
            if len(word) == 1:
                break
            #     词右边位置回退一位
            word = word[:len(word) - 1]
        words.append(word)
        string = string[len(word):]
    return words

#cut_method是切割函数
#output_path是输出路径
def main(cut_method, input_path, output_path):
    word_dict, max_word_length = load_word_dict("dict.txt")
    writer = open(output_path, "w", encoding="utf8")
    start_time = time.time()
    with open(input_path, encoding="utf8") as f:
        for line in f:
            words = cut_method(line.strip(), word_dict, max_word_length)
            writer.write(" / ".join(words) + "\n")
    writer.close()
    print("耗时：", time.time() - start_time)
    return


string = "测试字符串"
string1 = "王羲之草书《平安帖》共有九行"
string2 = "你到很多有钱人家里去看"
string3 = "金鹏期货北京海鹰路营业部总经理陈旭指出"
string4 = "伴随着优雅的西洋乐"
string5 = "非常的幸运"
word_dict, max_len = load_word_dict("dict.txt")
print(cut_method1(string, word_dict, max_len))
print(cut_method1(string1, word_dict, max_len))
print(cut_method1(string2, word_dict, max_len))
print(cut_method1(string3, word_dict, max_len))
print(cut_method1(string4, word_dict, max_len))
print(cut_method1(string5, word_dict, max_len))

main(cut_method1, "corpus.txt", "cut_method1_output.txt")

实现方式二        利用前缀字典

1.从前向后进行查找

2.如果窗口内的词是一个词前缀则继续扩大窗口

3.如果窗口内的词不是一个词前缀，则记录已发现的词，并将窗口移动到词边界

4.相较于第一种方式，查找次数少很多，这就是其效率要大于第一种方式的原因，本质上是采取用更多的内存存储的前缀词典，来减少查询的次数，本质上采用空间换时间的思想

利用前缀词典，对遍历到的每一个词都进行判断，判断是否是一个词或是词的前缀，记录为1 / 0，如果遍历到的既不是一个词也不是一个词的前缀，则在当前这个词之前停下来，进行分词

#分词方法最大正向切分的第二种实现方式

import re
import time
import json

#加载词前缀词典
#用0和1来区分是前缀还是真词
#需要注意有的词的前缀也是真词，在记录时不要互相覆盖
def load_prefix_word_dict(path):
    prefix_dict = {}
    with open(path, encoding="utf8") as f:
        for line in f:
            word = line.split()[0]
            for i in range(1, len(word)):
                if word[:i] not in prefix_dict: #不能用前缀覆盖词
                    prefix_dict[word[:i]] = 0  #前缀
            prefix_dict[word] = 1  #词
    return prefix_dict


#输入字符串和字典，返回词的列表
def cut_method2(string, prefix_dict):
    if string == "":
        return []
    words = []  # 准备用于放入切好的词
    start_index, end_index = 0, 1  #记录窗口的起始位置
    window = string[start_index:end_index] #从第一个字开始
    find_word = window  # 将第一个字先当做默认词
    while start_index < len(string):
        #窗口没有在词典里出现
        if window not in prefix_dict or end_index > len(string):
            words.append(find_word)  #记录找到的词
            start_index += len(find_word)  #更新起点的位置
            end_index = start_index + 1
            window = string[start_index:end_index]  #从新的位置开始一个字一个字向后找
            find_word = window
        #窗口是一个词
        elif prefix_dict[window] == 1:
            find_word = window  #查找到了一个词，还要在看有没有比他更长的词
            end_index += 1
            window = string[start_index:end_index]
        #窗口是一个前缀
        elif prefix_dict[window] == 0:
            end_index += 1
            window = string[start_index:end_index]
    #最后找到的window如果不在词典里，把单独的字加入切词结果
    if prefix_dict.get(window) != 1:
        words += list(window)
    else:
        words.append(window)
    return words


#cut_method是切割函数
#output_path是输出路径
def main(cut_method, input_path, output_path):
    word_dict = load_prefix_word_dict("dict.txt")
    writer = open(output_path, "w", encoding="utf8")
    start_time = time.time()
    with open(input_path, encoding="utf8") as f:
        for line in f:
            words = cut_method(line.strip(), word_dict)
            writer.write(" / ".join(words) + "\n")
    writer.close()
    print("耗时：", time.time() - start_time)
    return


string = "测试字符串"
string1 = "王羲之草书《平安帖》共有九行"
string2 = "你到很多有钱人家里去看"
string3 = "金鹏期货北京海鹰路营业部总经理陈旭指出"
string4 = "伴随着优雅的西洋乐"
string5 = "非常的幸运"
prefix_dict = load_prefix_word_dict("dict.txt")
print(cut_method2(string, prefix_dict))
print(cut_method2(string1, prefix_dict))
print(cut_method2(string2, prefix_dict))
print(cut_method2(string3, prefix_dict))
print(cut_method2(string4, prefix_dict))
print(cut_method2(string5, prefix_dict))
# print(json.dumps(prefix_dict, ensure_ascii=False, indent=2))
main(cut_method2, "corpus.txt", "cut_method2_output.txt")

​​​​​

3.反向最大匹配

从右向左进行，基于相同的词表切分出不同的结果

两者都依赖词表，都有多种实现方式

4.双向最大匹配

同时进行正向最大切分，和负向最大切分，之后比较两者结果，决定切分方式。

如何比较？

1.单字词：词表中可以有单字，从分词的角度，我们也会把它称为一个词

2.非字典词：未在词表中出现过的词，一般都会被分成单字

3.词总量：不同切分方法得到的词数可能不同

分析：我们一般认为，把词语切的很碎，分词后词的总量越少，单字字典词的数量越少，分词的效果越好

例

我们在野生动物园玩

词表：我们、在野、生动、动物、野生动物园、野生、动物园、在、玩、园

正向最大匹配法： “我们 / 在野 / 生动 / 物 / 园 / 玩”

        词典词3个，单字字典词为2，非词典词为1。

逆向最大匹配法： “我们 / 在 / 野生动物园 / 玩”

        词典词2个，单字字典词为2，非词典词为0。

5.jieba分词

jieba全切分词表

计算哪种切分方式总词频最高 词频事先根据分词后语料（语言材料）统计出来

依赖于一个全切分方式的词表，将基于词表的所有可能切分方式列出，计算哪种切分方式的总词频较高，把每个词的词频通过一份大的语料（语言材料）事先统计在一个文件中，然后计算哪种切分方式下的总词频最高

6.正向最大切分，负向最大切分，双向最大切分共同的缺点：

① 对词表极为依赖，如果没有词表，则无法进行；如果词表中缺少需要的词，结果也不会正确

② 切分过程中不会关注整个句子表达的意思，只会将句子看成一个个片段

③ 如果文本中出现一定的错别字，会造成一连串影响

④ 对于人名等的无法枚举实体词无法有效的处理

三、基于机器学习的中文分词

1.分词任务转化为机器学习任务

如果想要对一句话进行分词，我们需要对于每一个字，知道它是不是一个词的边界，用一个0 / 1 序列来表示某一文字是不是词边界

建立一个模型，通过这个模型对一句话中每一个字进行判断是否是词边界，并用0 / 1 表示，这种规律可以用神经网络学习

问题转化为：

对于句子中的每一个字，进行二分类判断，正类表示这句话中，它是词边界，负类表示它不是词边界

标注数据、训练模型，使模型可以完成上述判断，那么这个模型，可以称为一个分词模型

神经网络训练完成分词任务可以看作是一个序列标注问题，能够使分词任务脱离对于词表的依赖

2.构建模型

embedding嵌入层 + rnn + 线性层 + 交叉熵损失函数

① 继承父类

调用父类nn.Module的初始化方法。

② 嵌入层

创建一个嵌入层，初始化nn.Embedding，将词汇表中的每个词映射为固定维度的向量。

③ RNN层

创建一个多层RNN层，初始化nn.RNN，用于处理序列数据。

④ 线性层

创建一个线性层，初始化nn.Linear，将RNN输出映射到二维概率分布。

⑤ 损失函数

定义交叉熵损失函数，初始化nn.CrossEntropyLoss，并设置忽略padding位置的标签。

ignore_index：配合padding使用，设置padding位置值的标签label。

class TorchModel(nn.Module):
    def __init__(self, input_dim, hidden_size, num_rnn_layers, vocab):
        super(TorchModel, self).__init__()
        # embedding + rnn + 线性层 + 交叉熵
        self.embedding = nn.Embedding(len(vocab) + 1, input_dim, padding_idx=0) #shape=(vocab_size, dim)
        self.rnn_layer = nn.RNN(input_size=input_dim,
                            hidden_size=hidden_size,
                            batch_first=True,
                            # 设置rnn的层数，两层rnn
                            num_layers=num_rnn_layers,
                            )
        # 线性层，把每个 hidden_size 映射到二维的概率分布
        self.classify = nn.Linear(hidden_size, 2)  # w = hidden_size * 2
        # ignore_index：配合padding使用，padding位置值的标签label是-100
        self.loss_func = nn.CrossEntropyLoss(ignore_index=-100)

3.前向计算

① 输入嵌入

x = self.embedding(x)：将输入 x 通过嵌入层转换为嵌入向量

输入形状：(batch_size, sen_len)

输出形状：(batch_size, sen_len, input_dim)

② RNN层处理：

x, _ = self.rnn_layer(x)：将嵌入后的输入通过RNN层处理

输出形状：(batch_size, sen_len, hidden_size)

③ 分类

y_pred = self.classify(x)：将RNN层的输出通过分类层进行分类

输出形状：(batch_size, sen_len, 2)，重塑为：(batch_size * sen_len, 2)

④ 损失计算

if y is not None：如果提供了标签 y，则计算交叉熵损失

计算公式：self.loss_func(y_pred.reshape(-1, 2), y.view(-1))，返回损失值。

⑤ 返回预测结果：

else：如果没有提供标签 y，则直接返回预测结果 y_pred

view()： view 函数主要用于改变张量（Tensor）的维度，也就是对张量进行形状重塑（reshape），但不会改变张量中元素的存储顺序和数量

    def forward(self, x, y=None):
        x = self.embedding(x)  #input shape: (batch_size, sen_len), output shape:(batch_size, sen_len, input_dim)
        x, _ = self.rnn_layer(x)  #output shape:(batch_size, sen_len, hidden_size)  
        y_pred = self.classify(x)   #output shape:(batch_size, sen_len, 2) -> y_pred.view(-1, 2) (batch_size*sen_len, 2)
        if y is not None:
            #cross entropy
            #y_pred : n, class_num    [[1,2,3], [3,2,1]]
            #y      : n               [0,       1      ]

            #y:batch_size, sen_len  = 2 * 5
            #[[0,0,1,0,1],[0,1,0, -100, -100]]  y
            #[0,0,1,0,1,  0,1,0,-100.-100]    y.view(-1) shape= n = batch_size*sen_len
          
            return self.loss_func(y_pred.reshape(-1, 2), y.view(-1))
        else:
            return y_pred

4.加载和处理数据集

① 初始化

__init__：初始化类的属性，包括词汇表 (vocab)、数据集路径 (corpus_path) 和最大序列长度 (max_length)。

调用 load 方法加载数据。

② 加载数据

load：从指定路径读取文本文件。

对每行文本进行处理：

        sentence_to_sequence：将句子转换为字符序列

        sequence_to_label：生成标签序列

        padding：对序列和标签进行填充或截断

        将处理后的序列和标签转换为 PyTorch 张量

        将处理后的数据存储在 self.data 列表中

为了减少训练时间，只加载前 10000 条数据。

③ 填充或截断序列         

padding()：将序列和标签截断或补齐到固定长度 max_length。

序列不足的部分用 0 填充，标签不足的部分用 -100 填充。

④ 获取数据集长度

__len__：返回数据集的长度，即 self.data 列表的长度。

⑤ 获取数据项

__getitem__：根据索引返回数据集中的一个数据项。

class Dataset:
    def __init__(self, corpus_path, vocab, max_length):
        self.vocab = vocab
        self.corpus_path = corpus_path
        self.max_length = max_length
        self.load()

    def load(self):
        self.data = []
        with open(self.corpus_path, encoding="utf8") as f:
            for line in f:
                sequence = sentence_to_sequence(line, self.vocab)
                label = sequence_to_label(line)
                sequence, label = self.padding(sequence, label)
                sequence = torch.LongTensor(sequence)
                label = torch.LongTensor(label)
                self.data.append([sequence, label])
                #使用部分数据做展示，使用全部数据训练时间会相应变长
                if len(self.data) > 10000:
                    break

    #将文本截断或补齐到固定长度
    def padding(self, sequence, label):
        sequence = sequence[:self.max_length]
        sequence += [0] * (self.max_length - len(sequence))
        label = label[:self.max_length]
        label += [-100] * (self.max_length - len(label))
        return sequence, label

    def __len__(self):
        return len(self.data)

    def __getitem__(self, item):
        return self.data[item]

5.数据集处理

将一个文本句子转换为字符串

① 遍历句子

遍历输入的句子中的每个字符。

② 设定每个字的索引值

对于每个字符，使用字典 vocab 查找对应的索引值。如果字符不在字典中，则使用 vocab['unk'] 作为默认值。

③ 返回结果

将所有查找结果组成一个列表并返回。

#文本转化为数字序列，为embedding做准备
def sentence_to_sequence(sentence, vocab):
    sequence = [vocab.get(char, vocab['unk']) for char in sentence]
    return sequence

④ 设置分词结果标注

1.分词得到词语列表

使用 jieba.lcut 对句子进行分词，得到词语列表

2.初始化标签列表

初始化一个与句子长度相同的全零标签列表

3.更新标签列表

遍历词语列表，更新标签列表中每个词语最后一个字符的位置为1

4.返回标签列表

返回最终的标签列表。

#基于jieba词表生成分级结果的标注
def sequence_to_label(sentence):
    words = jieba.lcut(sentence)
    label = [0] * len(sentence)
    pointer = 0
    for word in words:
        pointer += len(word)
        label[pointer - 1] = 1
    return label

⑤ 加载字表

enumerate()： 是 Python 内置的一个函数，它的主要作用是在遍历可迭代对象（如列表、元组、字符串等）时，同时获取元素的索引和对应的值，通常用于需要知道元素在序列中的位置信息的情况。这可以让代码在迭代过程中更加简洁和方便，避免了手动去维护一个索引变量来记录位置。

strip()：是字符串的一个方法，用于去除字符串开头和结尾的空白字符。空白字符包括空格、制表符（\t）、换行符（\n）等。

#加载字表
def build_vocab(vocab_path):
    vocab = {}
    with open(vocab_path, "r", encoding="utf8") as f:
        for index, line in enumerate(f):
            char = line.strip()
            vocab[char] = index + 1   #每个字对应一个序号
    vocab['unk'] = len(vocab) + 1
    return vocab

⑥ 建立数据集

1.创建数据集对象

DataSet 类：通常作为一个抽象基类（在一些库中实现了基本功能框架，但常需继承扩展使用），用于对数据集进行封装和管理，将数据以及对应的标签（在有监督学习场景下）等信息以一种规范、便于操作的方式组织起来，方便后续传递给数据加载器（如 DataLoader），进而提供给模型进行训练、验证或测试等操作。

2.创建数据加载器

DataLoader类：是一个非常重要的数据加载工具。它的主要作用是将数据集（通常是继承自DataSet类的自定义数据集）按照指定的方式（如批次大小、是否打乱数据等）加载数据，使得数据能够以合适的格式和顺序高效地提供给模型进行训练、验证或测试。

3.返回数据加载器

返回搭建好的data_loader

#建立数据集
def build_dataset(corpus_path, vocab, max_length, batch_size):
    dataset = Dataset(corpus_path, vocab, max_length) #diy __len__ __getitem__
    # DataLoader：python专门用于读取数据的类，用指定的batch_size为一组对样本数据进行打乱
    data_loader = DataLoader(dataset, shuffle=True, batch_size=batch_size) #torch
    return data_loader

6.模型训练

① 初始化参数

设置训练相关的超参数：训练轮数、每次训练的样本个数、每个字的维度、隐含层的维度、rnn的层数、样本最大长度、学习率、子表文件路径和语料文件路径 

② 建立字表和数据集

调用build_vocab函数生成字符到索引的映射

调用build_dataset函数构建数据加载器

③ 创建模型和优化器

实例化第2步中构建的模型

实例化Adam优化器

④ 训练模型

在指定轮数内进行训练，每轮按批次处理数据，计算损失并更新模型参数

⑤ 保存模型

训练结束后保存模型参数

def main():
    epoch_num = 5        #训练轮数
    batch_size = 20       #每次训练样本个数
    char_dim = 50         #每个字的维度
    hidden_size = 100     #隐含层维度
    num_rnn_layers = 1    #rnn层数
    max_length = 20       #样本最大长度
    learning_rate = 1e-3  #学习率
    vocab_path = "chars.txt"  #字表文件路径
    corpus_path = "../corpus.txt"  #语料文件路径
    vocab = build_vocab(vocab_path)       #建立字表
    data_loader = build_dataset(corpus_path, vocab, max_length, batch_size)  #建立数据集
    model = TorchModel(char_dim, hidden_size, num_rnn_layers, vocab)   #建立模型
    optim = torch.optim.Adam(model.parameters(), lr=learning_rate)     #建立优化器
    #训练开始
    for epoch in range(epoch_num):
        model.train()
        watch_loss = []
        # 按照batch_size数量的数据为一组，按组进行训练
        for x, y in data_loader:
            optim.zero_grad()    #梯度归零
            loss = model.forward(x, y)   #计算loss
            loss.backward()      #计算梯度
            optim.step()         #更新权重
            watch_loss.append(loss.item())
        print("=========\n第%d轮平均loss:%f" % (epoch + 1, np.mean(watch_loss)))
    #保存模型
    torch.save(model.state_dict(), "model.pth")
    return

if __name__ == "__main__":
    main()

7.用模型进行预测

① 初始化配置

设置字符维度、隐含层维度和RNN层数

② 建立词汇表

调用 build_vocab 函数读取词汇表文件并生成字典

③ 加载模型

创建模型实例并加载训练好的权重

load_state_dict()： 是在深度学习框架（如 PyTorch）中常用的一个方法，它主要用于加载模型的参数状态字典（state dictionary），使得模型能够恢复到之前保存的某个状态（例如之前训练好的状态，或者训练过程中某个特定阶段的状态），便于继续训练、进行模型评估或者在实际应用中使用已训练好的模型进行推理（预测）等操作。

④ 逐条预测

model.eval()：将模型设置为评估模式，禁用 dropout 等训练时的行为

with torch.no_grad()：不计算梯度，提高推理速度并减少内存消耗，然后对生成的测试数据进行预测

⑤ 输出预测结果

对每个输入字符串进行编码，通过模型预测，并根据预测结果切分字符串后输出

#最终预测
def predict(model_path, vocab_path, input_strings):
    #配置保持和训练时一致
    char_dim = 50  # 每个字的维度
    hidden_size = 100  # 隐含层维度
    num_rnn_layers = 1  # rnn层数
    vocab = build_vocab(vocab_path)       #建立字表
    model = TorchModel(char_dim, hidden_size, num_rnn_layers, vocab)   #建立模型
    model.load_state_dict(torch.load(model_path, weights_only=True))   #加载训练好的模型权重
    model.eval()
    for input_string in input_strings:
        #逐条预测
        x = sentence_to_sequence(input_string, vocab)
        with torch.no_grad():
            result = model.forward(torch.LongTensor([x]))[0]
            result = torch.argmax(result, dim=-1)  #预测出的01序列
            #在预测为1的地方切分，将切分后文本打印出来
            for index, p in enumerate(result):
                if p == 1:
                    print(input_string[index], end=" ")
                else:
                    print(input_string[index], end="")
            print()



if __name__ == "__main__":
    input_strings = ["同时国内有望出台新汽车刺激方案",
                     "沪胶后市有望延续强势",
                     "经过两个交易日的强势调整后",
                     "昨日上海天然橡胶期货价格再度大幅上扬",
                     "妈妈，我想你了"]

    predict("model.pth", "chars.txt", input_strings)