数据挖掘入门——分词

数据挖掘入门——分词

谷歌4亿英镑收购人工智能公司DeepMind，百度目前正推进“百度大脑”项目，腾讯、阿里等各大巨头也在积极布局深度学习。随着社会化数据大量产生，硬件速度上升、成本降低，大数据技术的落地实现，让冷冰冰的数据具有智慧逐渐成为新的热点。要从数据中发现有用的信息就要用到数据挖掘技术，不过买来的数据挖掘书籍一打开全是大量的数学公式，而课本知识早已还给老师了，着实难以下手、非常头大！

我们不妨先跳过数学公式，看看我们了解数据挖掘的目的——发现数据中价值。这个才是关键，如何发现数据中的价值。那什么是数据呢？比如大家要上网首先需要输入网址，打开网页后会自动判断哪些是图片、哪些是新闻、哪些是用户名称、游戏图标等。大脑可以存储大量的信息，包括文字、声音、视频、图片等，这些同样可以转换成数据存储在电脑。人的大脑可以根据输入自动进行判断，电脑可以通过输入判断吗？

答案是肯定的！ 不过需要我们编写程序来判断每一种信息，就拿文字识别来说吧，怎么从一个人在社交网络的言论判断他今天的心情是高兴还是愤怒！比如：“你假如上午没给我吃冰淇淋，我绝对会不happy的。” 信息发布时间为下午2点。对于我们人类一看这个句子就知道他是吃过冰淇淋了，心情肯定不会是愤怒。那计算机怎么知道呢？

这就是今天的主题，要让计算机理解句子的语义，必须要有个程序，上面的句子和发布时间是输入，输出就是 “高兴”。要得到“高兴”就要建立 “高兴”的规则，可以建一个感情色彩词库，比如高兴（识别词是高兴、happy），愤怒（识别词是愤怒、生气）。这里的识别词就是输入中出现的词语，比如上面的句子中的“happy”就识别出了“高兴”这个感情色彩词。但是光识别出“happy”肯定是不行的，前面的“假如……没……，我……不……”等关键词都需要识别出来，才能完整判断一个句子的意思。为了达到这个效果，就必须要用分词技术了。

分词

我们先人工对上面的句子来进行一下切词，使用斜线分割：“你/假如/上午/没/给/我/吃/冰淇淋/，/我/绝对/会/不/happy/的/。/”。但是程序如何做到自动切分？这个其实中国的前辈们已经做了很多中文分词的研究，常见的分词算法有：

1. 基于词典的分词，需要先预设一个分词词典，比如上面句子切分出来的“假如、上午”这些词先存放在词典，然后把句子切分成单字组合成词语去词典里查找，匹配上了就挑选出来一个词。没有匹配上的就切分成单字。

2. 基于统计的分词，需要先获取大量的文本语料库（比如新闻、微博等），然后统计文本里相邻的字同时出现的次数，次数越多就越可能构成一个词。当达到一定次数时就构成了一个词，即可形成语料概率库。再对上面句子进行单字切分，把字与字结合后在语料概率库里查找对应的概率，如果概率大于一定值就挑选出来形成一个词。这个是大概描述，实际生产环境中还需要对句子的上下文进行结合才能更准确的分词。

3. 基于语义的分词，简而言之就是模拟人类对句子的理解来进行分词。需要先整理出中文语句的句法、语义信息作为知识库，然后结合句子的上下文，对句子进行单字切分后组合成词逐个带入知识库进行识别，识别出来就挑选出一个词。目前还没有特别成熟的基于语义的分词系统。

基于词典的分词

为了让大家快速的了解分词技术，我们采用第一个方式来做测试：基于词典的分词，这种方式简单暴力可以解决百分之七八十的问题。基于词典的分词大概分为以下几种方式：

1. 正向最大匹配，沿着我们看到的句子逐字拆分后组合成词语到词典里去匹配，直到匹配不到词语为止。举个实际的例子：“人民大会堂真雄伟”，我们先拆分为单字“人”去词典里去查找，发现有“人”这个词，继续组合句子里的单字组合“人民”去词典里查找，发现有“人民”这个词，以此类推发现到“人民大会堂”，然后会结合“人民大会堂真”去词典里查找没有找到这个词，第一个词“人民大会堂”查找结束。最终分词的结果为：“人民大会堂/真/雄伟”。如下图演示了用正向最大匹配算法识别人民大会堂的过程，“真”，“雄伟”的识别类似。

2. 逆向最大匹配，这个和上面相反，就是倒着推理。比如“沿海南方向”，我们按正向最大匹配来做就会切分成 “沿海/南方/向”，这样就明显不对。采用逆向最大匹配法则来解决这个问题，从句子的最后取得“方向”这两个字查找词典找到“方向”这个词。再加上“南方向”组成三字组合查找词典没有这个词，查找结束，找到“方向”这个词。以此类推，最终分出“沿/海南/方向”。

3. 双向最大匹配，顾名思义就是结合正向最大匹配和逆向最大匹配，最终取其中合理的结果。最早由哈工大王晓龙博士理论化的取最小切分词数，比如“我在中华人民共和国家的院子里看书”，正向最大匹配切分出来为“我/在/中华人民共和国/家/的/院子/里/看书”工8个词语，逆向最大匹配切分出来为“我/在/中华/人民/共/和/国家/的/院子/里/看书”共11个词语。取正向最大匹配切出来的结果就是正确的。但是如果把上面那个例子“沿海南方向”双向切分，都是3个词语，改如何选择？看第4个《最佳匹配法则》。

4. 最佳匹配法则，先准备一堆文本语料库、一个词库，统计词库里的每一个词在语料库里出现的次数记录下来。最后按照词频高的优先选出，比如“沿海南方向”，正向切分为：“沿海/南方/向”，逆向切分为：“沿/海南/方向”。其中“海南”的频度最高，优先取出来。剩下“沿”、“方向”也就正常切分了。是不是这就是基于词典分词的最佳方案？比如数学之美中提到的：“把手抬起来” 和 “这扇门的把手”，可以分为“把”、“手”、“把手”，不管怎么分总有一句话的意思不对。后续再介绍如何通过统计的分词处理这些问题。

说了这么多，我们来实战一下如何基于词典的分词：

public class TestPositiveMatch {
    public static void main(String[] args) {
   String str = "我爱这个中华人民共和国大家庭";
   List<String> normalDict = new ArrayList<String>();

   normalDict.add("");
   normalDict.add("爱");
  normalDict.add("中华");  //测试词库里有中华和中华人民共和国，按照最大匹配应该匹配出中华人民共和国
   normalDict.add("中华人民共和国");

  int strLen = str.length();  //传入字符串的长度
   int j = 0;
  String matchWord = ""; //根据词库里识别出来的词
  int matchPos = 0; //根据词库里识别出来词后当前句子中的位置
  while (j < strLen) {  //从0字符匹配到字符串结束
  int matchPosTmp = 0;  //截取字符串的位置
   int i = 1;
  while (matchPosTmp < strLen) {  //从当前位置直到整句结束，匹配最大长度
   matchPosTmp = i + j;
  String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串
  if (normalDict.contains(keyTmp)) { //判断当前字符串是否在词典中
  matchWord = keyTmp;  //如果在词典中匹配上了就赋值
  matchPos = matchPosTmp; //同时保存好匹配位置
   }
   i++;
   }
   if (!matchWord.isEmpty()) {
  //有匹配结果就输出最大长度匹配字符串
   j = matchPos;
  //保存位置，下次从当前位置继续往后截取
   System.out.print(matchWord + " ");
   } else {
  //从当前词开始往后都没有能够匹配上的词，则按照单字切分的原则切分
   System.out.print(str.substring(j, ++j) + " ");
   }
   matchWord = "";
   }
   }
 }

输出结果为：我爱这个中华人民共和国大家庭

按照这样我们一个基本的分词程序开发完成。

对于文章一开始提到的问题还没解决，如何让程序识别文本中的感情色彩。现在我们先要构建一个感情色彩词库“高兴”，修饰词库“没”、”不”。再完善一下我们的程序：

public class TestSentimentPositiveMatch {
   public static void main(String[] args) {
   String str = "你假如上午没给我吃冰淇淋，我绝对会不happy的。";

  //语义映射
   Map<String, String> sentimentMap = new HashMap<String, String>();
   sentimentMap.put("happy", "高兴");

  //情感词库
   List<String> sentimentDict = new ArrayList<String>();
   sentimentDict.add("happy");

  //修饰词
   List<String> decorativeDict = new ArrayList<String>();
   decorativeDict.add("不");
   decorativeDict.add("没");

  //修饰词衡量分数
   Map<String, Double> decorativeScoreMap = new HashMap<String, Double>();
   decorativeScoreMap.put("不", -0.5);
   decorativeScoreMap.put("没", -0.5);

  List<String> decorativeWordList = new ArrayList<String>();  //修饰词
  String sentimentResult = ""; //情感结果

  int strLen = str.length();  //传入字符串的长度
   int j = 0;
  String matchSentimentWord = ""; //根据词库里识别出来的情感词
  String matchDecorativeWord = ""; //根据词库里识别出来的修饰词
  int matchPos = 0; //根据词库里识别出来词后当前句子中的位置
  while (j < strLen) {  //从0字符匹配到字符串结束
  int matchPosTmp = 0;  //截取字符串的位置
   int i = 1;
  while (matchPosTmp < strLen) {  //从当前位置直到整句结束，匹配最大长度
   matchPosTmp = i + j;
  String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串
  if (sentimentDict.contains(keyTmp)) { //判断当前字符串是否在词典中
  matchSentimentWord = keyTmp;  //如果在词典中匹配上了就赋值
  matchPos = matchPosTmp; //同时保存好匹配位置
   }
  if (decorativeDict.contains(keyTmp)) { //判断当前字符串是否在词典中
  matchDecorativeWord = keyTmp;  //如果在词典中匹配上了就赋值
  matchPos = matchPosTmp; //同时保存好匹配位置
   }
   i++;
   }
   if (!matchSentimentWord.isEmpty()) {
  //有匹配结果就输出最大长度匹配字符串
   j = matchPos;
  //保存位置，下次从当前位置继续往后截取
   System.out.print(matchSentimentWord + " ");
   sentimentResult = sentimentMap.get(matchSentimentWord);
   }
   if (!matchDecorativeWord.isEmpty()) {
  //有匹配结果就输出最大长度匹配字符串
   j = matchPos;
  //保存位置，下次从当前位置继续往后截取
   System.out.print(matchDecorativeWord + " ");
   decorativeWordList.add(matchDecorativeWord);
   } else {
  //从当前词开始往后都没有能够匹配上的词，则按照单字切分的原则切分
   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("
");
   if (totalScore > 0) {
   System.out.println("当前心情是：" + sentimentResult);
   } else {
   System.out.println("当前心情是：不" + sentimentResult);
   }
   }
 }

通过传入“你假如上午没给我吃冰淇淋，我绝对会不happy的。”，结果输出为：“当前心情是：高兴”。当然你也可以改变其中的修饰词，比如改为：“你假如上午没给我吃冰淇淋，我绝对会happy的。”，结果输出为：“当前心情是：不高兴”。

机器再也不是冷冰冰的，看起来他能读懂你的意思了。不过这只是一个开始，抛出几个问题：

1. 如何让程序识别句子中的时间？比如“上午”、“下午2点”。

2. 如何处理“把手抬起来” 和 “这扇门的把手”中的“把”与“手”的问题？

3. 如何构建海量的知识库，让程序从“婴儿”变成“成年人”？

4. 如何使用有限的存储空间存储海量的知识库？

5. 如何提高程序在海量知识库中查找定位信息的效率？

6. 如何识别新词、人名、新鲜事物等未知领域？

宇宙芸芸众生都是相通的，大脑也许就是一个小宇宙，在这个小宇宙又有很多星球、住着很多生物。而电脑也是宇宙中地球上的一个产物，只要存储计算速度发展到足够强大一定可以构建成一个强大的大脑。

你看这个单词 “testaword” 认识吗？可能不认识，因为我们五官先获取到的信息，然后根据大脑以往学习的经验做出判断。但是你看这个短语 ” test a word” 认识吗？再看看开始那个单词“testaword”是不是就亲切多了？

To Be Continued……

关于作者：严澜现成都创行负责人，历任上海创行科技技术总监。曾任中国平安平台开发工程师，腾讯拍拍网B2C架构工程师。Web3.0语义搜索引擎探索者，海量数据处理，互联网高性能低成本平台架构搭建实践者，构建让更多普通开发者快速掌握高性能技术的框架，自由机器人研发爱好者。