Python怎么实现预测分词

本篇内容主要讲解“Python怎么实现预测分词”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Python怎么实现预测分词”吧!

目录

• 前言

• 加载模型

• 构建词网

• 维特比算法

• 实战

前言

在机器学习中，我们有了训练集的话，就开始预测。预测是指利用模型对句子进行推断的过程。在中文分词任务中也就是利用模型推断分词序列，同时也叫解码。

在HanLP库中，二元语法的解码由ViterbiSegment分词器提供。本篇将详细介绍ViterbiSegment的使用方式

加载模型

在前篇博文中，我们已经得到了训练的一元，二元语法模型。后续的处理肯定会基于这几个文件来处理。所以，我们首先要做的就是加载这些模型到程序中：

if __name__ == "__main__":     MODEL_PATH = "123"     HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"     HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"     CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")     CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')     print(CoreDictionary.getTermFrequency("秦机"))     print(CoreBiGramTableDictionary.getBiFrequency("秦机","的"))

运行之后，效果如下：

这里我们使用CoreDictionary.getTermFrequency()方法获取”秦机“的频次。使用CoreBiGramTableDictionary.getBiFrequency()方法获取“秦机 的”的二元语法频次。

构建词网

在前文中我们介绍了符号“末##末“，代表句子结尾，”始##始“代表句子开头。而词网指的是句子中所有一元语法构成的网状结构。比如MSR词典中的“秦机和科技”这个句子，是给定的一元词典。我们将句子中所有单词找出来。得到如下词网：

[始##始] [秦机] [] [和，和科] [科技] [技] [末##末]

对应的此图如下所示：

当然，这里博主只是举例说明词网的概念，“和科”并不是一个单词。

下面，我们来通过方法构建词网。具体代码如下：

def build_wordnet(sent, trie):     JString = JClass('java.lang.String')     Vertex = JClass('com.hankcs.hanlp.seg.common.Vertex')     WordNet = JClass('com.hankcs.hanlp.seg.common.WordNet')     searcher = trie.getSearcher(JString(sent), 0)     wordnet = WordNet(sent)     while searcher.next():         wordnet.add(searcher.begin + 1,                     Vertex(sent[searcher.begin:searcher.begin + searcher.length], searcher.value, searcher.index))     # 原子分词，保证图连通     vertexes = wordnet.getVertexes()     i = 0     while i < len(vertexes):         if len(vertexes[i]) == 0:  # 空白行             j = i + 1             for j in range(i + 1, len(vertexes) - 1):  # 寻找第一个非空行 j                 if len(vertexes[j]):                     break             wordnet.add(i, Vertex.newPunctuationInstance(sent[i - 1: j - 1]))  # 填充[i, j)之间的空白行             i = j         else:             i += len(vertexes[i][-1].realWord)     return wordnet if __name__ == "__main__":     MODEL_PATH = "123"     HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"     HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"     CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")     CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')     print(build_wordnet("秦机和科技", CoreDictionary.trie))

运行之后，我们会得到与上图归纳差不多的内容：

维特比算法

如果现在我们赋予上述词图每条边以二元语法的概率作为距离，那么如何求解词图上的最短路径就是一个关键问题。

假设文本长度为n，则一共有2（n-1次方）种切分方式，因为每2个字符间都有2种选择：切或者不切，时间复杂度就为O(2(n-1次方))。显然不切实际，这里我们考虑使用维特比算法。

维特比算法原理：它分为前向和后向两个步骤。

• 前向：由起点出发从前往后遍历节点，更新从起点到该节点的最下花费以及前驱指针

• 后向：由终点出发从后往前回溯前驱指针，取得最短路径

维特比算法用python代码的实现如下：

def viterbi(wordnet):     nodes = wordnet.getVertexes()     # 前向遍历     for i in range(0, len(nodes) - 1):         for node in nodes[i]:             for to in nodes[i + len(node.realWord)]:                 # 根据距离公式计算节点距离，并维护最短路径上的前驱指针from                 to.updateFrom(node)     # 后向回溯     # 最短路径     path = []     # 从终点回溯     f = nodes[len(nodes) - 1].getFirst()     while f:         path.insert(0, f)         # 按前驱指针from回溯         f = f.getFrom()     return [v.realWord for v in path]

实战

现在我们来做个测试，我们在msr_test_gold.utf8上训练模型，为秦机和科技常见词图，最后运行维特比算法。详细代码如下所示：

if __name__ == "__main__":     MODEL_PATH = "123"     corpus_path = r"E:\ProgramData\Anaconda3\Lib\site-packages\pyhanlp\static\data\test\icwb2-data\gold\msr_test_gold.utf8"     train_model(corpus_path, MODEL_PATH)     HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"     HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"     CoreDictionary = SafeJClass("com.hankcs.hanlp.dictionary.CoreDictionary")     CoreBiGramTableDictionary = SafeJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')     ViterbiSegment = JClass('com.hankcs.hanlp.seg.Viterbi.ViterbiSegment')     MODEL_PATH = "123"     HanLP.Config.CoreDictionaryPath = MODEL_PATH + ".txt"     HanLP.Config.BiGramDictionaryPath = MODEL_PATH + ".ngram.txt"     sent = "秦机和科技"     wordnet = build_wordnet(sent, CoreDictionary.trie)     print(viterbi(wordnet))

有的人可能有疑问，因为二元模型里，本身就存在秦机 和
科技这个样本。这么做不是多此一举吗？那好，我们替换sent的文本内容为“北京和广州”，这个样本可不在模型中。运行之后，效果如下：

我们发现依然能正确的分词为[北京 和 广州]，这就是二元语法模型的泛化能力。至此我们走通了语料标注，训练模型，预测分词结果的完整步骤。

到此，相信大家对“Python怎么实现预测分词”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！