數(shù)據(jù)挖掘基礎(chǔ)：分詞入門

谷歌4億英鎊收購人工智能公司DeepMind，百度目前正推進(jìn)“百度大腦”項(xiàng)目，騰訊、阿里等各大巨頭布局深度學(xué)習(xí)。隨著社會(huì)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(shí)現(xiàn)，讓冷冰冰的數(shù)據(jù)具有智慧逐漸成為新的熱點(diǎn)。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(xué)公式，而課本知識(shí)早已還給老師了，難以下手、非常頭大！

我們可以跳過數(shù)學(xué)公式，先看看 我們了解數(shù)據(jù)挖掘的目的：發(fā)現(xiàn)數(shù)據(jù)中價(jià)值。這個(gè)才是關(guān)鍵，如何發(fā)現(xiàn)數(shù)據(jù)中的價(jià)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(huì)自動(dòng)判斷 哪些是圖片、哪些是新聞、哪些是用戶名稱、游戲圖標(biāo)等。人大腦可以存儲(chǔ)大量的信息，包括文字、聲音、視頻、圖片等，每一個(gè)都可以轉(zhuǎn)換數(shù)據(jù)存儲(chǔ)在電腦。人的 大腦可以根據(jù)輸入自動(dòng)進(jìn)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(shí)別來說吧，怎么從一個(gè)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(duì)會(huì)不happy的。” 信息發(fā)布時(shí)間為下午2點(diǎn)。對(duì)于我們?nèi)祟愐豢催@個(gè)句子就知道他是吃過冰淇淋了，心情肯定不會(huì)是憤怒。那計(jì)算機(jī)怎么知道呢？

這 就是今天的主題，要讓計(jì)算機(jī)理解句子的語義，必須要有個(gè)程序，上面的句子和發(fā)布時(shí)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(gè)感情色彩詞庫，比如 高興（識(shí)別詞是高興、happy），憤怒（識(shí)別詞是憤怒、生氣）。這里的識(shí)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(shí)別出了“高 興”這個(gè)感情色彩詞。但是光識(shí)別出“happy”肯定是不行的，前面的“假如。。。沒。。。，我。。。不。。?！钡汝P(guān)鍵詞都需要識(shí)別出來，才能完整判斷一 個(gè)句子的意思。為了達(dá)到這個(gè)效果，就必須要用分詞技術(shù)了。

我們先人工對(duì)上面的句子來進(jìn)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(duì)/會(huì)/不/happy/的/。/”。但是程序如何做到自動(dòng)切分？這個(gè)其實(shí)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(yù)設(shè)一個(gè)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(gè)詞。沒有匹配上的就切分成單字。

      2、基于統(tǒng)計(jì)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(jì)文本里相鄰的字同時(shí)出現(xiàn)的次數(shù)，次數(shù)越多就越可能構(gòu)成一個(gè)詞。當(dāng)達(dá)到一定次數(shù)時(shí)就構(gòu)成了一個(gè)詞 即可形成語料概率庫。再對(duì)上面句子進(jìn)行單字切分，把字與字結(jié)合后在語料概率庫里查找對(duì)應(yīng)的概率，如果概率大于一定值就挑選出來形成一個(gè)詞。這個(gè)是大概描 述，實(shí)際生產(chǎn)環(huán)境中還需要對(duì)句子的上下文進(jìn)行結(jié)合才能更準(zhǔn)確的分詞。

      3、基于語義的分詞，簡(jiǎn)而言之就是模擬人類對(duì)句子的理解來進(jìn)行分詞。需要先整理出中文語句的句法、語義信息作為知識(shí)庫，然后結(jié)合句子的上下文，對(duì)句子進(jìn)行單字切分后組合成詞逐個(gè)帶入知識(shí)庫進(jìn)行識(shí)別，識(shí)別出來就挑選出一個(gè)詞。目前還沒有特別成熟的基于語義的分詞系統(tǒng)。

為了讓大家快速的了解分詞技術(shù)，我們采用第一個(gè)方式來做測(cè)試：基于詞典的分詞，這種方式簡(jiǎn)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(gè)實(shí)際的例子：“人民大會(huì)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(gè)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(gè)詞，以此類推發(fā)現(xiàn)到“人民大會(huì)堂”，然后會(huì)結(jié)合“人民大會(huì)堂真”去詞典里查找沒有找到這個(gè)詞，第一個(gè)詞“人民大會(huì)堂”查找結(jié)束。最終分詞 的結(jié)果為：“人民大會(huì)堂/真/雄偉”。

      2、逆向最大匹配，這個(gè)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(huì)切分成 “沿海/南方/向”，這樣就明顯不對(duì)。采用逆向最大匹配法則來解決這個(gè)問題，從句子的最后取得“方向”這兩個(gè)字查找詞典找到“方向”這個(gè)詞。再加上“南方 向”組成三字組合查找詞典沒有這個(gè)詞，查找結(jié)束，找到“方向”這個(gè)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(gè)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(gè)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(gè)例子“沿海南方向”雙向切分，都是3個(gè)詞語，改如何選擇？看第4個(gè)《最佳匹配法則》。

      4、最佳匹配法則，先準(zhǔn)備一堆文本語料庫、一個(gè)詞庫，統(tǒng)計(jì)詞庫里的每一個(gè)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(xué)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(duì)。后續(xù)再介紹如何通過統(tǒng)計(jì)的分詞處理這些問題。

說了這么多，我們來實(shí)戰(zhàn)一下如何基于詞典的分詞：

輸出結(jié)果為： 我 愛 這 個(gè) 中華人民共和國 大 家 庭

按照這樣我們一個(gè)基本的分詞程序開發(fā)完成。

對(duì)于文章一開始提到的問題還沒解決，如何讓程序識(shí)別文本中的感情色彩。現(xiàn)在我們先要構(gòu)建一個(gè)感情色彩詞庫“高興”，修飾詞庫“沒”、”不”。再完善一下我們的程序：

通過傳入“你假如上午沒給我吃冰淇淋，我絕對(duì)會(huì)不happy的?！?，結(jié)果輸出為：“當(dāng)前心情是：高興”。當(dāng)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(duì)會(huì)happy的?！?，結(jié)果輸出為：“當(dāng)前心情是：不高興”。

機(jī)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(gè)開始，拋出幾個(gè)問題：

1、如何讓程序識(shí)別句子中的時(shí)間？比如“上午”、“下午2點(diǎn)”。
2、如何處理“把手抬起來” 和 “這扇門的把手”中的“把”與“手”的問題？
3、如何構(gòu)建海量的知識(shí)庫，讓程序從“嬰兒”變成“成年人”？
4、如何使用有限的存儲(chǔ)空間海量的知識(shí)庫？
5、如何提高程序在海量知識(shí)庫中查找定位信息的效率？
6、如何識(shí)別新詞、人名、新鮮事物等未知領(lǐng)域？

這是《紐約時(shí)報(bào)》刊登的2張照片，一張是老鼠的腦細(xì)胞(左)，一張是宇宙(右)。早期宇宙中星系互連關(guān)系，和大腦神經(jīng)元相互連接，幾乎無法分辨兩張圖之間的不同，大腦細(xì)胞與整個(gè)宇宙擁有一樣的結(jié)構(gòu)。

宇宙蕓蕓眾生都是相通的，大腦也許就是一個(gè)小宇宙，在這個(gè)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(gè)產(chǎn)物，只要存儲(chǔ)計(jì)算速度發(fā)展到足夠強(qiáng)大一定可以構(gòu)建成一個(gè)強(qiáng)大的大腦。

你看這個(gè)單詞 “testaword” 認(rèn)識(shí)嗎？可能不認(rèn)識(shí)，因?yàn)槲覀兾骞傧全@取到的信息，然后根據(jù)大腦以往學(xué)習(xí)的經(jīng)驗(yàn)做出判斷。但是你看這個(gè)短語 ” test a word” 認(rèn)識(shí)嗎？再看看開始那個(gè)單詞“testaword”是不是就親切多了？