基于统计的分词方法

n元语言模型(n-gram)

假设$latex S$表示长度为$latex i$,由$latex (w_1,w_2,\dots,w_m)$字序列组成的句子,则代表$latex S$的概率为:

$latex P(S) = P(w_1,w_2,\dots,w_m)=P(w_1)P(w_2|w_1)P(w_3|w_2,w_1)\cdots P(w_i|w_1,w_2,\dots,w_{m-1})$

  • $latex n=1$,uni-gram
    $latex P(w_1,w_2,\dots,w_m) =\prod_{i=1}^mP(w_i)$
  • $latex n=2$,bi-gram
    $latex P(w_1,w_2,\dots,w_m) =\prod_{i=1}^mP(w_i|w_{i-1})$
  • $latex n=3$,tri-gram
    $latex P(w_1,w_2,\dots,w_m) =\prod_{i=1}^mP(w_i|w_{i-2}w_{i-1})$

基于HMM的分词

HMM的参数

HMM的参观测序列(输出状态序列),状态序列(隐藏状态序列),初始概率,转移概率(转移概率矩阵),发射概率(发射概率矩阵)

数学定义

状态值集合(隐藏状态):$latex Q={q_1,q_2,\cdots,q_N}$,$latex N$为可能的状态数,对应状态序列$latex I$

观测值集合(输出状态):$latex V={v_1,v_2,\cdots,v_M}$,$latex M$为可能的观测数,对应观测序列$latex O$

转移概率矩阵:$latex A=[a_{ij}];i,j\in{1,2,\cdots,N}$,从$latex i$状态到$latex j$状态的转换概率($latex \sum_{j=1}^Na_{ij}=1$)

发射概率矩阵(观测概率矩阵):$latex B=[b_j(k)];j\in{1,2,\cdots,N},k\in{1,2,\cdots,M}$,从状态$latex j$生成观测$latex k$的概率

初始状态分布:$latex \pi$

模型:$latex \lambda=(A,B,\lambda)$,状态序列$latex I$,观测序列$latex O$

HMM中的三个问题

概率计算问题:已知模型,求观测序列$latex O$出现的概率;前向后向算法

学习问题:已知观测序列,求模型参数,最大化$latex P(O|\lambda)$;鲍姆-韦尔奇(Baum-Welch)算法

已知隐藏序列和观测序列(通过频数估计) $latex A_{ij}$表示隐藏状态$latex q_i$转移到$latex q_j$的频率计数
$latex A=[a_{ij}];a_{ij}=\frac{A_{ij}}{\sum_{s=1}^NA_{is}}$
$latex B_{jk}$表示隐藏状态$latex q_j$转移到观测状态$latex v_k$的频率计数
$latex B=[b_j(k)];b_j(k)=\frac{B_{jk}}{\sum_{s=1}^MB_{js}}$
$latex C(i)$为所有样本中初始隐藏状态$latex q_j$的频率计数
$latex \Pi = \pi(i)=\frac{C(i)}{\sum_{s=1}^NC(s)}$

仅知观测序列(鲍姆-韦尔奇算法,EM算法) EM算法:最大似然估计用于没有隐变量的概率模型,EM算法可以用于有隐变量的算法模型 模型参数:
$latex \overline{\lambda} = arg\;\max_{\lambda}\sum\limits_{I}P(I|O,\overline{\lambda})logP(O,I|\lambda)$

解码问题:已知模型$latex \lambda$与观测序列$latex O$,求状态序列$latex I$最大化$latex P(I|O)$;维特比(Viterbi)算法

HMM是一种序列模型,不仅可以用到自然语言处理这个领域,其他领域的应用也很常见:股指预测,语音识别,网络安全,基因序列等方面,在自然语言处理中,HMM可以应用在分词,词性标注,命名实体识别等各个方面。

在分词方面可以这样理解HMM:

  • 观测序列(输出状态序列)—序列构成的句子或短文
  • 状态序列(隐藏状态序列)—标注
  • 初始概率—统计的第一个字序的概率
  • 转移概率(转移概率矩阵)—第$latex i$个字序到第$latex i+1$个自序的标注变换概率
  • 发射概率(发射概率矩阵)—从隐藏状态到输出状态的转换概率

如果把观测序列看作标注,状态序列看作句子,从解码问题转变成学习问题会怎样?
这种情况就成了判别模型,从给定的序列中提取特征,输出每个标签的概率,是直接拟合条件概率分布;而HMM是生成模型。