隱馬爾科夫模型(HMM)
模型介紹
HMM模型是由一個“五元組”組成:
- StatusSet: 狀態值集合
- ObservedSet: 觀察值集合
- TransProbMatrix: 轉移概率矩陣
- EmitProbMatrix: 發射概率矩陣
- InitStatus: 初始狀態分佈
將HMM應用在分詞上,要解決的問題是:參數(ObservedSet, TransProbMatrix, EmitRobMatrix, InitStatus)已知的情況下,求解狀態值序列。解決這個問題的最有名的方法是viterbi算法。
參數介紹
- StatusSet,狀態值集合爲(B, M, E, S): {B:begin, M:middle, E:end, S:single}。分別代表每個狀態代表的是該字在詞語中的位置,B代表該字是詞語中的起始字,M代表是詞語中的中間字,E代表是詞語中的結束字,S則代表是單字成詞。
- ObservedSet,觀察值集合就是所有漢字,甚至包括標點符號所組成的集合。
- TransProbMatrix,狀態轉移概率矩陣的含義就是從狀態X轉移到狀態Y的概率,是一個4×4的矩陣,即{B,E,M,S}×{B,E,M,S}。
- EmitProbMatrix,發射概率矩陣的每個元素都是一個條件概率,代表P(Observed[i]|Status[j])
- InitStatus,初始狀態概率分佈表示句子的第一個字屬於{B,E,M,S}這四種狀態的概率。
Viterbi算法
Viterbi算法的核心思想就是動態規劃實現最短路徑,按照Michael Collins教的,核心思想是:
Define a dynamic programming table π(k,u,v),
π(k,u,v) = maximum probability of a tag sequence ending in tags u,v at position k.
For any k ∈ {1…n}: π(k,u,v) = max ( π(k-1,w,u) × q(v|w,u) × e(xk|v) )
完整的Viterbi算法網上有很多資料可以查看,本文主要關注代碼的實現。
實驗
代碼1:模型訓練
生成三個文件:
- prob_start.py 爲初始狀態概率
- prob_trans.py 爲狀態轉移概率
- prob_emit.py 爲發射概率
# -*- coding: utf-8 -*-
# 二元隱馬爾科夫模型(Bigram HMMs)
# 'trainCorpus.txt_utf8'爲人民日報已經人工分詞的預料,29萬多條句子
import sys
#state_M = 4
#word_N = 0
A_dic = {}
B_dic = {}
Count_dic = {}
Pi_dic = {}
word_set = set()
state_list = ['B','M','E','S']
line_num = -1
INPUT_DATA = "trainCorpus.txt_utf8"
PROB_START = "trainHMM\prob_start.py" #初始狀態概率
PROB_EMIT = "trainHMM\prob_emit.py" #發射概率
PROB_TRANS = "trainHMM\prob_trans.py" #轉移概率
def init(): #初始化字典
#global state_M
#global word_N
for state in state_list:
A_dic[state] = {}
for state1 in state_list:
A_dic[state][state1] = 0.0
for state in state_list:
Pi_dic[state] = 0.0
B_dic[state] = {}
Count_dic[state] = 0
def getList(input_str): #輸入詞語,輸出狀態
outpout_str = []
if len(input_str) == 1:
outpout_str.append('S')
elif len(input_str) == 2:
outpout_str = ['B','E']
else:
M_num = len(input_str) -2
M_list = ['M'] * M_num
outpout_str.append('B')
outpout_str.extend(M_list) #把M_list中的'M'分別添加進去
outpout_str.append('E')
return outpout_str
def Output(): #輸出模型的三個參數:初始概率+轉移概率+發射概率
start_fp = file(PROB_START,'w')
emit_fp = file(PROB_EMIT,'w')
trans_fp = file(PROB_TRANS,'w')
print "len(word_set) = %s " % (len(word_set))
for key in Pi_dic: #狀態的初始概率
Pi_dic[key] = Pi_dic[key] * 1.0 / line_num
print >>start_fp,Pi_dic
for key in A_dic: #狀態轉移概率
for key1 in A_dic[key]:
A_dic[key][key1] = A_dic[key][key1] / Count_dic[key]
print >>trans_fp,A_dic
for key in B_dic: #發射概率(狀態->詞語的條件概率)
for word in B_dic[key]:
B_dic[key][word] = B_dic[key][word] / Count_dic[key]
print >>emit_fp,B_dic
start_fp.close()
emit_fp.close()
trans_fp.close()
def main():
ifp = file(INPUT_DATA)
init()
global word_set #初始是set()
global line_num #初始是-1
for line in ifp:
line_num += 1
if line_num % 10000 == 0:
print line_num
line = line.strip()
if not line:continue
line = line.decode("utf-8","ignore") #設置爲ignore,會忽略非法字符
word_list = []
for i in range(len(line)):
if line[i] == " ":continue
word_list.append(line[i])
word_set = word_set | set(word_list) #訓練預料庫中所有字的集合
lineArr = line.split(" ")
line_state = []
for item in lineArr:
line_state.extend(getList(item)) #一句話對應一行連續的狀態
if len(word_list) != len(line_state):
print >> sys.stderr,"[line_num = %d][line = %s]" % (line_num, line.endoce("utf-8",'ignore'))
else:
for i in range(len(line_state)):
if i == 0:
Pi_dic[line_state[0]] += 1 #Pi_dic記錄句子第一個字的狀態,用於計算初始狀態概率
Count_dic[line_state[0]] += 1 #記錄每一個狀態的出現次數
else:
A_dic[line_state[i-1]][line_state[i]] += 1 #用於計算轉移概率
Count_dic[line_state[i]] += 1
if not B_dic[line_state[i]].has_key(word_list[i]):
B_dic[line_state[i]][word_list[i]] = 0.0
else:
B_dic[line_state[i]][word_list[i]] += 1 #用於計算髮射概率
Output()
ifp.close()
if __name__ == "__main__":
main()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
代碼2:測試分詞效果
# -*- coding: utf-8 -*-
def load_model(f_name):
ifp = file(f_name, 'rb')
return eval(ifp.read()) #eval參數是一個字符串, 可以把這個字符串當成表達式來求值,
prob_start = load_model("trainHMM\prob_start.py")
prob_trans = load_model("trainHMM\prob_trans.py")
prob_emit = load_model("trainHMM\prob_emit.py")
def viterbi(obs, states, start_p, trans_p, emit_p): #維特比算法(一種遞歸算法)
V = [{}]
path = {}
for y in states: #初始值
V[0][y] = start_p[y] * emit_p[y].get(obs[0],0) #在位置0,以y狀態爲末尾的狀態序列的最大概率
path[y] = [y]
for t in range(1,len(obs)):
V.append({})
newpath = {}
for y in states: #從y0 -> y狀態的遞歸
(prob, state) = max([(V[t-1][y0] * trans_p[y0].get(y,0) * emit_p[y].get(obs[t],0) ,y0) for y0 in states if V[t-1][y0]>0])
V[t][y] =prob
newpath[y] = path[state] + [y]
path = newpath #記錄狀態序列
(prob, state) = max([(V[len(obs) - 1][y], y) for y in states]) #在最後一個位置,以y狀態爲末尾的狀態序列的最大概率
return (prob, path[state]) #返回概率和狀態序列
def cut(sentence):
prob, pos_list = viterbi(sentence,('B','M','E','S'), prob_start, prob_trans, prob_emit)
return (prob,pos_list)
if __name__ == "__main__":
test_str = u"新華網駐東京記者報道"
prob,pos_list = cut(test_str)
print test_str
print pos_list
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
結果
新華網駐東京記者報道
['B', 'M', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E']
- 1
- 2
- 1
- 2
人工分詞的預料(trainCorpus.txt_utf8)可以從此處下載。