數(shù)據(jù)挖掘入門——分詞

隨著社會化數(shù)據(jù)大量產(chǎn)生，硬件速度上升、成本降低，大數(shù)據(jù)技術(shù)的落地實現(xiàn)，讓冷冰冰的數(shù)據(jù)具有智慧逐漸成為新的熱點。要從數(shù)據(jù)中發(fā)現(xiàn)有用的信息就要用到數(shù)據(jù)挖掘技術(shù)，不過買來的數(shù)據(jù)挖掘書籍一打開全是大量的數(shù)學公式，而課本知識早已還給老師了，著實難以下手、非常頭大！

我們不妨先跳過數(shù)學公式，看看我們了解數(shù)據(jù)挖掘的目的——發(fā)現(xiàn)數(shù)據(jù)中價值。這個才是關(guān)鍵，如何發(fā)現(xiàn)數(shù)據(jù)中的價值。那什么是數(shù)據(jù)呢？比如大家要上網(wǎng)首先需要輸入網(wǎng)址，打開網(wǎng)頁后會自動判斷哪些是圖片、哪些是新聞、哪些是用戶名稱、游戲圖標等。大腦可以存儲大量的信息，包括文字、聲音、視頻、圖片等，這些同樣可以轉(zhuǎn)換成數(shù)據(jù)存儲在電腦。人的大腦可以根據(jù)輸入自動進行判斷，電腦可以通過輸入判斷嗎？

答案是肯定的！ 不過需要我們編寫程序來判斷每一種信息，就拿文字識別來說吧，怎么從一個人在社交網(wǎng)絡(luò)的言論判斷他今天的心情是高興還是憤怒！比如：“你假如上午沒給我吃冰淇淋，我絕對會不happy的。” 信息發(fā)布時間為下午2點。對于我們?nèi)祟愐豢催@個句子就知道他是吃過冰淇淋了，心情肯定不會是憤怒。那計算機怎么知道呢？

這就是今天的主題，要讓計算機理解句子的語義，必須要有個程序，上面的句子和發(fā)布時間是輸入，輸出就是 “高興”。要得到“高興”就要建立 “高興”的規(guī)則，可以建一個感情色彩詞庫，比如高興（識別詞是高興、happy），憤怒（識別詞是憤怒、生氣）。這里的識別詞就是輸入中出現(xiàn)的詞語，比如上面的句子中的“happy”就識別出了“高興”這個感情色彩詞。但是光識別出“happy”肯定是不行的，前面的“假如……沒……，我……不……”等關(guān)鍵詞都需要識別出來，才能完整判斷一個句子的意思。為了達到這個效果，就必須要用分詞技術(shù)了。

分詞

我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/。/”。但是程序如何做到自動切分？這個其實中國的前輩們已經(jīng)做了很多中文分詞的研究，常見的分詞算法有：

1. 基于詞典的分詞，需要先預設(shè)一個分詞詞典，比如上面句子切分出來的“假如、上午”這些詞先存放在詞典，然后把句子切分成單字組合成詞語去詞典里查找，匹配上了就挑選出來一個詞。沒有匹配上的就切分成單字。

2. 基于統(tǒng)計的分詞，需要先獲取大量的文本語料庫（比如新聞、微博等），然后統(tǒng)計文本里相鄰的字同時出現(xiàn)的次數(shù)，次數(shù)越多就越可能構(gòu)成一個詞。當達到一定次數(shù)時就構(gòu)成了一個詞，即可形成語料概率庫。再對上面句子進行單字切分，把字與字結(jié)合后在語料概率庫里查找對應(yīng)的概率，如果概率大于一定值就挑選出來形成一個詞。這個是大概描述，實際生產(chǎn)環(huán)境中還需要對句子的上下文進行結(jié)合才能更準確的分詞。

3. 基于語義的分詞，簡而言之就是模擬人類對句子的理解來進行分詞。需要先整理出中文語句的句法、語義信息作為知識庫，然后結(jié)合句子的上下文，對句子進行單字切分后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。目前還沒有特別成熟的基于語義的分詞系統(tǒng)。

基于詞典的分詞

為了讓大家快速的了解分詞技術(shù)，我們采用第一個方式來做測試：基于詞典的分詞，這種方式簡單暴力可以解決百分之七八十的問題?；谠~典的分詞大概分為以下幾種方式：

1. 正向最大匹配，沿著我們看到的句子逐字拆分后組合成詞語到詞典里去匹配，直到匹配不到詞語為止。舉個實際的例子：“人民大會堂真雄偉”，我們先拆分為單字“人”去詞典里去查找，發(fā)現(xiàn)有“人”這個詞，繼續(xù)組合句子里的單字組合“人民”去詞典里查找，發(fā)現(xiàn)有“人民”這個詞，以此類推發(fā)現(xiàn)到“人民大會堂”，然后會結(jié)合“人民大會堂真”去詞典里查找沒有找到這個詞，第一個詞“人民大會堂”查找結(jié)束。最終分詞的結(jié)果為：“人民大會堂/真/雄偉”。如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”的識別類似。

2. 逆向最大匹配，這個和上面相反，就是倒著推理。比如“沿海南方向”，我們按正向最大匹配來做就會切分成 “沿海/南方/向”，這樣就明顯不對。采用逆向最大匹配法則來解決這個問題，從句子的最后取得“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(jié)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(jié)合正向最大匹配和逆向最大匹配，最終取其中合理的結(jié)果。最早由哈工大王曉龍博士理論化的取最小切分詞數(shù)，比如“我在中華人民共和國家的院子里看書”，正向最大匹配切分出來為“我/在/中華人民共和國/家/的/院子/里/看書”工8個詞語，逆向最大匹配切分出來為“我/在/中華/人民/共/和/國家/的/院子/里/看書”共11個詞語。取正向最大匹配切出來的結(jié)果就是正確的。但是如果把上面那個例子“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(tǒng)計詞庫里的每一個詞在語料庫里出現(xiàn)的次數(shù)記錄下來。最后按照詞頻高的優(yōu)先選出，比如“沿海南方向”，正向切分為：“沿海/南方/向”，逆向切分為：“沿/海南/方向”。其中“海南”的頻度最高，優(yōu)先取出來。剩下“沿”、“方向”也就正常切分了。是不是這就是基于詞典分詞的最佳方案？比如數(shù)學之美中提到的：“把手抬起來” 和 “這扇門的把手”，可以分為“把”、“手”、“把手”，不管怎么分總有一句話的意思不對。后續(xù)再介紹如何通過統(tǒng)計的分詞處理這些問題。

說了這么多，我們來實戰(zhàn)一下如何基于詞典的分詞：

public class TestPositiveMatch {

public static void main(String[] args) {

String str = "我愛這個中華人民共和國大家庭";

List<String> normalDict = new ArrayList<String>();

normalDict.add("");

normalDict.add("愛");

normalDict.add("中華"); //測試詞庫里有中華和中華人民共和國，按照最大匹配應(yīng)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(jù)詞庫里識別出來的詞

int matchPos = 0; //根據(jù)詞庫里識別出來詞后當前句子中的位置

while (j < strLen) { //從0字符匹配到字符串結(jié)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(jié)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; //如果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(jié)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(xù)往后截取

System.out.print(matchWord + " ");

} else {

//從當前詞開始往后都沒有能夠匹配上的詞，則按照單字切分的原則切分

System.out.print(str.substring(j, ++j) + " ");

}

matchWord = "";

}

}

}

輸出結(jié)果為：我愛這個中華人民共和國大家庭

按照這樣我們一個基本的分詞程序開發(fā)完成。

對于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。現(xiàn)在我們先要構(gòu)建一個感情色彩詞庫“高興”，修飾詞庫“沒”、"不”。再完善一下我們的程序：

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(shù)

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(jié)果

int strLen = str.length(); //傳入字符串的長度

int j = 0;

String matchSentimentWord = ""; //根據(jù)詞庫里識別出來的情感詞

String matchDecorativeWord = ""; //根據(jù)詞庫里識別出來的修飾詞

int matchPos = 0; //根據(jù)詞庫里識別出來詞后當前句子中的位置

while (j < strLen) { //從0字符匹配到字符串結(jié)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(jié)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; //如果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; //如果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(jié)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(xù)往后截取

System.out.print(matchSentimentWord + " ");

sentimentResult = sentimentMap.get(matchSentimentWord);

}

if (!matchDecorativeWord.isEmpty()) {

//有匹配結(jié)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(xù)往后截取

System.out.print(matchDecorativeWord + " ");

decorativeWordList.add(matchDecorativeWord);

} else {

//從當前詞開始往后都沒有能夠匹配上的詞，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);

}

}

}

通過傳入“你假如上午沒給我吃冰淇淋，我絕對會不happy的?！?，結(jié)果輸出為：“當前心情是：高興”。當然你也可以改變其中的修飾詞，比如改為：“你假如上午沒給我吃冰淇淋，我絕對會happy的。”，結(jié)果輸出為：“當前心情是：不高興”。

機器再也不是冷冰冰的，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：

• 如何讓程序識別句子中的時間？比如“上午”、“下午2點”。

• 如何處理“把手抬起來” 和 “這扇門的把手”中的“把”與“手”的問題？

• 如何構(gòu)建海量的知識庫，讓程序從“嬰兒”變成“成年人”？

• 如何使用有限的存儲空間存儲海量的知識庫？

• 如何提高程序在海量知識庫中查找定位信息的效率？

• 如何識別新詞、人名、新鮮事物等未知領(lǐng)域？

宇宙蕓蕓眾生都是相通的，大腦也許就是一個小宇宙，在這個小宇宙又有很多星球、住著很多生物。而電腦也是宇宙中地球上的一個產(chǎn)物，只要存儲計算速度發(fā)展到足夠強大一定可以構(gòu)建成一個強大的大腦。

你看這個單詞 "testaword" 認識嗎？可能不認識，因為我們五官先獲取到的信息，然后根據(jù)大腦以往學習的經(jīng)驗做出判斷。但是你看這個短語 " test a word" 認識嗎？再看看開始那個單詞“testaword”是不是就親切多了？