基於Tire樹和最大概率法的中文分詞功能的Java實現
阿新 • • 發佈：2019-02-09
對於分詞系統的實現來說，主要應集中在兩方面的考慮上：一是對語料庫的組織，二是分詞策略的制訂。
1. Tire樹
Tire樹，即字典樹，是通過字串的公共字首來對字串進行統計、排序及儲存的一種樹形結構。其具有如下三個性質：
1) 根節點不包含字元（或漢字），除根節點以外的每個節點只能包含一個字元（漢字）
2) 從根節點到任一節點的路徑上的所有節點中的字元（漢字）按順序排列的字串（片語）就是該節點所對應的字串（片語）
3) 每個節點的所有直接子節點包含的字元（漢字）各不相同
上述性質保證了從Tire樹中查詢任意字串（片語）所需要比較的次數儘可能最少，以達到快速搜尋語料庫的目的。
如下圖所示的是一個由片語集<一，一萬，一萬多，一萬元，一上午，一下午，一下子>生成的Tire樹的子樹：
可見，從子樹的根節點“一”開始，任意一條路徑都能組成一個以“一”開頭的片語。而在實際應用中，需要給每個節點附上一些資料屬性，如詞頻，因而可以用這些屬性來區別某條路徑上的字串是否是一個片語。如，節點“上”的詞頻為-1，那麼“一上”就不是一個片語。
如下的程式碼是Tire樹的Java實現：
package chn.seg; import java.util.HashMap; import java.util.Map; public class TireNode { private String character; private int frequency = -1; private double antilog = -1; private Map<String, TireNode> children; public String getCharacter() { return character; } public void setCharacter(String character) { this.character = character; } public int getFrequency() { return frequency; } public void setFrequency(int frequency) { this.frequency = frequency; } public double getAntilog() { return antilog; } public void setAntilog(double antilog) { this.antilog = antilog; } public void addChild(TireNode node) { if (children == null) { children = new HashMap<String, TireNode>(); } if (!children.containsKey(node.getCharacter())) { children.put(node.getCharacter(), node); } } public TireNode getChild(String ch) { if (children == null || !children.containsKey(ch)) { return null; } return children.get(ch); } public void removeChild(String ch) { if (children == null || !children.containsKey(ch)) { return; } children.remove(ch); } }
2. 最大概率法（動態規劃）
最大概率法是中文分詞策略中的一種方法。相較於最大匹配法等策略而言，最大概率法更加準確，同時其實現也更為複雜。
基於動態規劃的最大概率法的核心思想是：對於任意一個語句，首先按語句中片語的出現順序列出所有在語料庫中出現過的片語；將上述片語集中的每一個詞作為一個頂點，加上開始與結束頂點，按構成語句的順序組織成有向圖；再為有向圖中每兩個直接相連的頂點間的路徑賦上權值，如A→B，則AB間的路徑權值為B的費用（若B為結束頂點，則權值為0）；此時原問題就轉化成了單源最短路徑問題，通過動態規劃解出最優解即可。
如句子“今天下雨”，按順序在語料庫中存在的片語及其費用如下：
今，a
今天，b
天，c
天下，d
下，e
下雨，f
雨，g
則可以生成如下的加權有向圖：
顯而易見，從“Start”到“End”的單源路徑最優解就是“今天下雨”這個句子的分詞結果。
那麼，作為權值的費用如何計算呢？對於最大概率法來說，要求的是片語集在語料庫中出現的概率之乘積最大。對應單源最短路徑問題的費用來說，
費用 = log( 總詞頻 / 某一片語詞頻 )
通過上述公式就可以把“最大”問題化為“最小”問題，“乘積”問題化為“求和”問題進行求解了。
如下的程式碼是基於動態規劃的最大概率法的Java實現：
package chn.seg;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.List;
public class ChnSeq {
private TireNode tire = null;
public void init() throws IOException, ClassNotFoundException {
File file = new File("data" + File.separator + "dict.txt");
if (!file.isFile()) {
System.err.println("語料庫不存在！終止程式！");
System.exit(0);
}
BufferedReader in = new BufferedReader(
new InputStreamReader(new FileInputStream(file), "utf-8"));
String line = in.readLine();
int totalFreq = Integer.parseInt(line);
tire = new TireNode();
while ((line = in.readLine()) != null) {
String[] segs = line.split(" ");
String word = segs[0];
int freq = Integer.parseInt(segs[1]);
TireNode root = tire;
for (int i = 0; i < word.length(); i++) {
String c = "" + word.charAt(i);
TireNode node = root.getChild(c);
if (node == null) {
node = new TireNode();
node.setCharacter(c);
root.addChild(node);
}
root = node;
}
root.setFrequency(freq);
root.setAntilog(Math.log((double)totalFreq / freq));
}
in.close();
}
public TireNode getTire() {
return tire;
}
public TireNode getNodeByWord(String word) {
if (tire == null) {
System.err.println("需要先初始化ChnSeq物件！");
return null;
}
TireNode node = tire;
for (int i = 0; i < word.length(); i++) {
String ch = word.charAt(i) + "";
if (node == null) {
break;
} else {
node = node.getChild(ch);
}
}
return node;
}
private class Segment {
public String word;
public String endChar;
public String lastChar;
public double cost;
public final static String START_SIGN = "<< STARTING >>";
public final static String END_SIGN = "<< ENDING >>";
}
private List<Segment> preSegment(String sentence) {
List<Segment> segs = new ArrayList<Segment>();
Segment terminal = new Segment();
terminal.word = Segment.START_SIGN;
terminal.endChar = Segment.START_SIGN;
terminal.lastChar = null;
segs.add(terminal);
for (int i = 0; i < sentence.length(); i++) {
for (int j = i + 1; j <= sentence.length(); j++) {
String word = sentence.substring(i, j);
TireNode tnode = this.getNodeByWord(word);
if (tnode == null) {
break;
}
if (tnode.getFrequency() <= 0) {
continue;
}
Segment seg = new Segment();
seg.word = word;
seg.endChar = word.substring(word.length() - 1, word.length());
if (i == 0) {
seg.lastChar = Segment.START_SIGN;
} else {
seg.lastChar = sentence.substring(i - 1, i);
}
seg.cost = tnode.getAntilog();
segs.add(seg);
}
}
terminal = new Segment();
terminal.word = Segment.END_SIGN;
terminal.endChar = Segment.END_SIGN;
terminal.lastChar = sentence.substring(sentence.length() - 1, sentence.length());
segs.add(terminal);
return segs;
}
private String[] dynamicSegment(List<Segment> segs) {
final double INFINITE = 9999999;
if (segs == null || segs.size() == 0) {
return null;
}
int n = segs.size();
double[][] costs = new double[n][n];
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
costs[i][j] = INFINITE;
}
}
for (int i = 0; i < n; i++) {
String endChar = segs.get(i).endChar;
for (int j = 0; j < n; j++) {
String lastChar = segs.get(j).lastChar;
if (lastChar != null && lastChar.equals(endChar)) {
costs[i][j] = segs.get(j).cost;
}
}
}
int sp = 0; // starting point
int fp = n - 1; // finishing point
double[] dist = new double[n];
List<List<Integer>> sPaths = new ArrayList<List<Integer>>();
List<Integer> list = new ArrayList<Integer>();
for (int i = 0; i < n; i++) {
dist[i] = costs[sp][i];
if (sp != i) {
list.add(i);
}
if (dist[i] < INFINITE) {
List<Integer> spa = new ArrayList<Integer>();
sPaths.add(spa);
} else {
sPaths.add(null);
}
}
while (!list.isEmpty()) {
Integer minIdx = list.get(0);
for (int i: list) {
if (dist[i] < dist[minIdx]) {
minIdx = i;
}
}
list.remove(minIdx);
for (int i = 0; i < n; i++) {
if (dist[i] > dist[minIdx] + costs[minIdx][i]) {
dist[i] = dist[minIdx] + costs[minIdx][i];
List<Integer> tmp = new ArrayList<Integer>(sPaths.get(minIdx));
tmp.add(minIdx);
sPaths.set(i, tmp);
}
}
}
String[] result = new String[sPaths.get(fp).size()];
for (int i = 0; i < sPaths.get(fp).size(); i++) {
result[i] = segs.get(sPaths.get(fp).get(i)).word;
}
return result;
}
public String[] segment(String sentence) {
return dynamicSegment(preSegment(sentence));
}
}3. 測試程式碼
package chn.seg;
import java.io.IOException;
public class Main {
public static void main(String[] args) throws ClassNotFoundException, IOException {
ChnSeq cs = new ChnSeq();
cs.init();
String sentence = "生活的決定權也一直都在自己手上";
String[] segs = cs.segment(sentence);
for (String s: segs) {
System.out.print(s + "\t");
}
}
}