中文分词工具探析（一）：ICTCLAS (NLPIR)

时间：2023-08-14 18:58:08

【开源中文分词工具探析】系列：

  1. 开源中文分词工具探析（一）：ICTCLAS (NLPIR)
  2. 开源中文分词工具探析（二）：Jieba
  3. 开源中文分词工具探析（三）：Ansj
  4. 开源中文分词工具探析（四）：THULAC
  5. 开源中文分词工具探析（五）：FNLP
  6. 开源中文分词工具探析（六）：Stanford CoreNLP
  7. 开源中文分词工具探析（七）：LTP

1. 前言

ICTCLAS是张华平老师推出的中文分词系统，于2009年更名为NLPIR。ICTCLAS是中文分词界元老级工具了，作者开放出了free版本的源代码（1.0整理版本在此). 作者在论文[1] 中宣称ICTCLAS是基于HHMM（Hierarchical Hidden Markov Model）实现，后在论文[2]中改成了基于层叠隐马尔可夫模型CHMM（Cascaded Hidden Markov Model）。我把HHMM的原论文[3]读了一遍，对照ICTCLAS源码，发现ICTCLAS本质上就是一个Bigram的Word-Based Generative Model，用HMM来做未登录词识别（修正分词）与词性标注，与HHMM没有半毛钱关系。Biagram语法模型对应于1阶Markov假设，则ICTCLAS分词模型的联合概率为

\begin{equation}

P(w_1^m) = \prod_i P(w_{i} | w_{i-1})

\label{eq:bigram}

\end{equation}

2. ICTCLAS分解

ICTCLAS Free版的C++源代码实在是佶屈聱牙，因本人水平有限，故参照的源码为sinboy的Java实现 ictclas4j （"com.googlecode.ictclas4j" % "ictclas4j" % "1.0.1"）。ICTCLAS分词流程如下：

  1. 按照核心词典进行第一次切词；
  2. 在第一次切词的基础上，求解最大联合概率\eqref{eq:bigram}，作者称之为“二元切分词图”；
  3. HMM识别未登录词，诸如：人名、翻译人名、地名、机构名等；
  4. 分词结果整理，词性标注。

词典

ICTCLAS的词典包括六种：

import org.ictclas4j.segment._

// 核心词典

val coreDict = new Dictionary("data/coreDict.dct")

// 二元词典

val bigramDict = new Dictionary("data/bigramDict.dct")

// 人名词典

val personTagger = new PosTagger(Utility.TAG_TYPE.TT_PERSON, "data/nr", coreDict)

// 翻译人名词典

val transPersonTagger = new PosTagger(Utility.TAG_TYPE.TT_TRANS_PERSON, "data/tr", coreDict)

// 地名词典

val placeTagger = new PosTagger(Utility.TAG_TYPE.TT_TRANS_PERSON, "data/ns", coreDict)

// 词性标注

val lexTagger = new PosTagger(Utility.TAG_TYPE.TT_NORMAL, "data/lexical", coreDict)

其中，核心词典（coreDict）用于初始切词，二元词典（bigramDict）记录了两个词联合出现的频数。coreDict与bigramDict的数据格式如下

# coreDict

块0

  count:4

	wordLen:0	frequency:3	handle:25856	word:(啊)

	wordLen:0	frequency:69	handle:30976	word:(啊)

	wordLen:2	frequency:0	handle:25856	word:(啊)呀

	wordLen:2	frequency:0	handle:25856	word:(啊)哟

块1

  count:133

	wordLen:0	frequency:0	handle:26624	word:(阿)

	wordLen:0	frequency:94	handle:27136	word:(阿)

	...

# bigramDict

块0

  count:9

	wordLen:3	frequency:3	handle:3	word:(啊)@、

	wordLen:3	frequency:4	handle:3	word:(啊)@。

	wordLen:3	frequency:1	handle:3	word:(啊)@”

	wordLen:3	frequency:39	handle:3	word:(啊)@！

	wordLen:3	frequency:20	handle:3	word:(啊)@，

其中，frequency表示词频，handle表示词性：

让我们先看一个具体的例子：

wordLen:4 frequency:12 handle:28275 word:(爱)尔兰

handle ＝ 28275， 转成HEX表示，为0x6E73。

把0x6E73解释为字符数组，0x6E -> 'n', 0x73 -> 's', 所以0x6E73 -> "ns"。

查北大的《汉语文本词性标注标记集》， ns ～ 地名 （名词代码n和处所词代码s并在一起）。

计算

为了计算联合概率\eqref{eq:bigram}最大值，ICTCLAS做了一个巧妙的转换——求对数并做Linear interpolation平滑：

\[\begin{aligned}
\arg \max \prod_i P(w_{i} | w_{i-1}) & = \arg \min - \sum_i \log P(w_{i} | w_{i-1}) \\
& \approx \arg \min - \sum_i \log \left[ aP(w_{i-1}) + (1-a) P(w_{i}|w_{i-1}) \right]
\end{aligned}
\]

将所有的可能分词组合构建成一个有向图，边的权重设为（上式中）平滑后的log值。由此，将求解最大联合概率转化成一个图论中最短路径问题。有时最大联合概率对应的分词结果不一定是最优的。为了解决这个问题，ICTCLAS采取了N-best策略，即求解N-最短路径而不是直接求解最短路径。然后在N-最短路径的分词结果上，做HMM修正——识别未登录词与词性标注。为了更清晰地了解分词流程，我用scala把分词函数SegTag::split()重新写了一遍：

import java.util

import org.ictclas4j.bean.{Dictionary, SegNode}

import org.ictclas4j.segment._

import org.ictclas4j.utility.{POSTag, Utility}

import scala.collection.JavaConversions._

val sentence = "深夜的穆赫兰道发生一桩车祸，女子丽塔在车祸中失忆了"

val pathCount = 1

// 存储分词结果

val stringBuilder = StringBuilder.newBuilder

// 按[空格|回车]分隔句子

val sentenceSeg = new SentenceSeg(sentence)

sentenceSeg.getSens.filter(_.isSeg).foreach { sen =>

  // 原子切分

  val as: AtomSeg = new AtomSeg(sen.getContent)

  // 全切分：根据核心词典，生成所有的可能词

  val segGraph: SegGraph = GraphGenerate.generate(as.getAtoms, coreDict)

  // 二元切分词图

  val biSegGraph: SegGraph = GraphGenerate.biGenerate(segGraph, coreDict, bigramDict)

  val nsp: NShortPath = new NShortPath(biSegGraph, pathCount)

  nsp.getPaths.foreach { onePath =>

    // 得到初次分词路径

    val segPath = getSegPath(segGraph, onePath)

    val firstPath = AdjustSeg.firstAdjust(segPath)

    // 处理未登陆词，进对初次分词结果进行优化

    val optSegGraph: SegGraph = new SegGraph(firstPath)

    personTagger.recognition(optSegGraph, firstPath)

    transPersonTagger.recognition(optSegGraph, firstPath)

    placeTagger.recognition(optSegGraph, firstPath)

    // 根据优化后的结果，重新进行生成二叉分词图表

    val optBiSegGraph: SegGraph = GraphGenerate.biGenerate(optSegGraph, coreDict, bigramDict)

    // 重新求取N－最短路径

    val optNsp: NShortPath = new NShortPath(optBiSegGraph, pathCount)

    val optBipath: util.ArrayList[util.ArrayList[Integer]] = optNsp.getPaths

    // 词性标记

    optBipath.foreach { optOnePath =>

      val optSegPath: util.ArrayList[SegNode] = getSegPath(optSegGraph, optOnePath)

      lexTagger.recognition(optSegPath)

      // 对分词结果做最终的调整，主要是人名的拆分或重叠词的合并

      val adjResult = AdjustSeg.finaAdjust(optSegPath, personTagger, placeTagger)

      val adjrs: String = outputResult(adjResult)

      stringBuilder ++= adjrs

    }

  }

}

println(stringBuilder.toString())

// 深夜/t 的/u 穆赫兰/nr 道/q 发生/v 一/m 桩/q 车祸/n ，/w 女子/n 丽塔/nr 在/p 车祸/n 中/f 失/v 忆/vg 了/y

其中，调用了函数：

// 根据二叉分词路径生成分词路径

private def getSegPath(sg: SegGraph, biPath: util.ArrayList[Integer]): util.ArrayList[SegNode] = {

	sg != null && biPath != null match {

	  case true =>

	    val path = biPath.map { t => sg.getSnList.get(t) }

	    new util.ArrayList[SegNode](path)

	  case _ => null

	}

}

// 根据分词路径生成分词结果

private def outputResult(wrList: util.ArrayList[SegNode]): String = {

    ...

}

后记：据闻ICTCLAS的第一版是作者在中科院读硕期间完成的，虽说代码质量惹人吐槽，但是不得不惊叹于作者的代码功底以及在训练模型上所下的功夫。

3. 参考资料

[1] Zhang, Hua-Ping, et al. "HHMM-based Chinese lexical analyzer ICTCLAS." Proceedings of the second SIGHAN workshop on Chinese language processing-Volume 17. Association for Computational Linguistics, 2003.

[2] 刘群, et al. "基于层叠隐马模型的汉语词法分析." 计算机研究与发展 41.8 (2004): 1421-1429.

[3] Fine, Shai, Yoram Singer, and Naftali Tishby. "The hierarchical hidden Markov model: Analysis and applications." Machine learning 32.1 (1998): 41-62.

相关文章