NLP第8课（从自然语言处理角度看|NLP第8课：从自然语言处理角度看 HMM 和 CRF） NLP第8课：从自然语言处理角度

近几年在自然语言处理领域中，HMM（隐马尔可夫模型）和 CRF（条件随机场）算法常常被用于分词、句法分析、命名实体识别、词性标注等。由于两者之间有很大的共同点，所以在很多应用上往往是重叠的，但在命名实体、句法分析等领域 CRF 似乎更胜一筹。通常来说如果做自然语言处理，这两个模型应该都要了解，下面我们来看看本文的内容。
从贝叶斯定义理解生成式模型和判别式模型
理解 HMM（隐马尔可夫模型）和 CRF（条件随机场）模型之前，我们先来看两个概念：生成式模型和判别式模型。
在机器学习中，生成式模型和判别式模型都用于有监督学习，有监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入 X 预测相应的输出 Y。这个模型的一般形式为：决策函数 Y=f(X) 或者条件概率分布 P(Y|X)。
首先，简单从贝叶斯定理说起，若记 P(A)、P(B) 分别表示事件 A 和事件 B 发生的概率，则 P(A|B) 表示事件 B 发生的情况下事件 A 发生的概率；P(AB)表示事件 A 和事件 B 同时发生的概率。
根据贝叶斯公式可以得出：

文章图片

生成式模型：估计的是联合概率分布，P(Y, X)=P(Y|X)*P(X)，由联合概率密度分布 P(X,Y)，然后求出条件概率分布 P(Y|X) 作为预测的模型，即生成模型公式为：P(Y|X)= P(X,Y)/ P(X)。基本思想是首先建立样本的联合概率密度模型 P(X,Y)，然后再得到后验概率 P(Y|X)，再利用它进行分类，其主要关心的是给定输入 X 产生输出 Y 的生成关系。
判别式模型：估计的是条件概率分布， P(Y|X)，是给定观测变量 X 和目标变量 Y 的条件模型。由数据直接学习决策函数 Y=f(X) 或者条件概率分布 P(Y|X) 作为预测的模型，其主要关心的是对于给定的输入 X，应该预测什么样的输出 Y。
所以，HMM 使用隐含变量生成可观测状态，其生成概率有标注集统计得到，是一个生成模型。其他常见的生成式模型有：Gaussian、 Naive Bayes、Mixtures of multinomials 等。
而 CRF 就像一个反向的隐马尔可夫模型（HMM），通过可观测状态判别隐含变量，其概率亦通过标注集统计得来，是一个判别模型。其他常见的判别式模型有：K 近邻法、感知机、决策树、逻辑斯谛回归模型、最大熵模型、支持向量机、提升方法等。
HMM（隐马尔可夫模型）和 CRF（条件随机场）的理论部分，推荐看周志华老师的西瓜书《机器学习》。
动手实战：基于 HMM 训练自己的 Python 中文分词器
模型介绍
HMM 模型是由一个“五元组”组成的集合：

StatusSet：状态值集合，状态值集合为 (B, M, E, S)，其中 B 为词的首个字，M 为词中间的字，E 为词语中最后一个字，S 为单个字，B、M、E、S 每个状态代表的是该字在词语中的位置。
举个例子，对“中国的人工智能发展进入高潮阶段”，分词可以标注为：“中B国E的S人B工E智B能E发B展E进B入E高B潮E阶B段E”，最后的分词结果为：['中国', '的', '人工', '智能', '发展', '进入', '高潮', '阶段']。
ObservedSet：观察值集合，观察值集合就是所有语料的汉字，甚至包括标点符号所组成的集合。
TransProbMatrix：转移概率矩阵，状态转移概率矩阵的含义就是从状态 X 转移到状态 Y 的概率，是一个4×4的矩阵，即 {B,E,M,S}×{B,E,M,S}。
EmitProbMatrix：发射概率矩阵，发射概率矩阵的每个元素都是一个条件概率，代表 P(Observed[i]|Status[j]) 概率。
InitStatus：初始状态分布，初始状态概率分布表示句子的第一个字属于 {B,E,M,S} 这四种状态的概率。

将 HMM 应用在分词上，要解决的问题是：参数（ObservedSet、TransProbMatrix、EmitRobMatrix、InitStatus）已知的情况下，求解状态值序列。
解决这个问题的最有名的方法是 Viterbi 算法。
语料准备
本次训练使用的预料 syj_trainCorpus_utf8.txt 是我爬取的短文本处理生成的。整个语料大小 264M，包含1116903条数据，UTF-8 编码，词与词之间用空格隔开，用来训练分词模型。
语料已上传到 CSDN 资源上，下载地址请点击：中文自然语言处理中文分词训练语料。
语料格式，用空格隔开的：

如果继续听任资产阶级自由化的思潮泛滥，
党就失去了凝聚力和战斗力，
怎么能成为全国人民的领导核心？
中国又会成为一盘散沙，
那还有什么希望？

编码实现
（1）预定义
首先引出库，这两个库的作用是用来模型保存的：

import pickle import json

接下来定义 HMM 中的状态，初始化概率，以及中文停顿词：

STATES = {'B', 'M', 'E', 'S'} EPS = 0.0001 #定义停顿标点 seg_stop_words = {" ","，","。","“","”",'“', "？", "！", "：", "《", "》", "、", "；", "·", "‘ ", "’", "──", ",", ".", "?", "!", "`", "~", "@", "#", "$", "%", "^", "&", "*", "(", ")", "-", "_", "+", "=", "[", "]", "{", "}", '"', "'", "<", ">", "\\", "|" "\r", "\n","\t"}

（2）面向对象封装成类
首先，将 HMM 模型封装为独立的类 HMM_Model，下面先给出类的结构定义：

class HMM_Model: def __init__(self): pass #初始化 def setup(self): pass #模型保存 def save(self, filename, code): pass #模型加载 def load(self, filename, code): pass #模型训练 def do_train(self, observes, states): pass #HMM计算 def get_prob(self): pass #模型预测 def do_predict(self, sequence): pass

第一个方法 __init__() 是一种特殊的方法，被称为类的构造函数或初始化方法，当创建了这个类的实例时就会调用该方法，其中定义了数据结构和初始变量，实现如下：

def __init__(self): self.trans_mat = {} self.emit_mat = {} self.init_vec = {} self.state_count = {} self.states = {} self.inited = False

其中的数据结构定义：

trans_mat：状态转移矩阵，trans_mat[state1][state2] 表示训练集中由 state1 转移到 state2 的次数。
emit_mat：观测矩阵，emit_mat[state][char] 表示训练集中单字 char 被标注为 state 的次数。
init_vec：初始状态分布向量，init_vec[state] 表示状态 state 在训练集中出现的次数。
state_count：状态统计向量，state_count[state]表示状态 state 出现的次数。
word_set：词集合，包含所有单词。

第二个方法 setup()，初始化第一个方法中的数据结构，具体实现如下：

#初始化数据结构 def setup(self): for state in self.states: # build trans_mat self.trans_mat[state] = {} for target in self.states: self.trans_mat[state][target] = 0.0 self.emit_mat[state] = {} self.init_vec[state] = 0 self.state_count[state] = 0 self.inited = True

第三个方法 save()，用来保存训练好的模型，filename 指定模型名称，默认模型名称为 hmm.json，这里提供两种格式的保存类型，JSON 或者 pickle 格式，通过参数 code 来决定，code 的值为 code='json' 或者 code = 'pickle'，默认为 code='json'，具体实现如下：

#模型保存 def save(self, filename="hmm.json", code='json'): fw = open(filename, 'w', encoding='utf-8') data = https://www.it610.com/article/{"trans_mat": self.trans_mat, "emit_mat": self.emit_mat, "init_vec": self.init_vec, "state_count": self.state_count } if code == "json": txt = json.dumps(data) txt = txt.encode('utf-8').decode('unicode-escape') fw.write(txt) elif code == "pickle": pickle.dump(data, fw) fw.close()

第四个方法 load()，与第三个 save() 方法对应，用来加载模型，filename 指定模型名称，默认模型名称为 hmm.json，这里提供两种格式的保存类型，JSON 或者 pickle 格式，通过参数 code 来决定，code 的值为 code='json' 或者 code = 'pickle'，默认为 code='json'，具体实现如下：

#模型加载 def load(self, filename="hmm.json", code="json"): fr = open(filename, 'r', encoding='utf-8') if code == "json": txt = fr.read() model = json.loads(txt) elif code == "pickle": model = pickle.load(fr) self.trans_mat = model["trans_mat"] self.emit_mat = model["emit_mat"] self.init_vec = model["init_vec"] self.state_count = model["state_count"] self.inited = True fr.close()

第五个方法 do_train()，用来训练模型，因为使用的标注数据集，因此可以使用更简单的监督学习算法，训练函数输入观测序列和状态序列进行训练，依次更新各矩阵数据。类中维护的模型参数均为频数而非频率，这样的设计使得模型可以进行在线训练，使得模型随时都可以接受新的训练数据继续训练，不会丢失前次训练的结果。具体实现如下：

#模型训练 def do_train(self, observes, states): if not self.inited: self.setup()for i in range(len(states)): if i == 0: self.init_vec[states[0]] += 1 self.state_count[states[0]] += 1 else: self.trans_mat[states[i - 1]][states[i]] += 1 self.state_count[states[i]] += 1 if observes[i] not in self.emit_mat[states[I]]: self.emit_mat[states[i]][observes[i]] = 1 else: self.emit_mat[states[i]][observes[i]] += 1

第六个方法 get_prob()，在进行预测前，需将数据结构的频数转换为频率，具体实现如下：

#频数转频率 def get_prob(self): init_vec = {} trans_mat = {} emit_mat = {} default = max(self.state_count.values())for key in self.init_vec: if self.state_count[key] != 0: init_vec[key] = float(self.init_vec[key]) / self.state_count[key] else: init_vec[key] = float(self.init_vec[key]) / defaultfor key1 in self.trans_mat: trans_mat[key1] = {} for key2 in self.trans_mat[key1]: if self.state_count[key1] != 0: trans_mat[key1][key2] = float(self.trans_mat[key1][key2]) / self.state_count[key1] else: trans_mat[key1][key2] = float(self.trans_mat[key1][key2]) / defaultfor key1 in self.emit_mat: emit_mat[key1] = {} for key2 in self.emit_mat[key1]: if self.state_count[key1] != 0: emit_mat[key1][key2] = float(self.emit_mat[key1][key2]) / self.state_count[key1] else: emit_mat[key1][key2] = float(self.emit_mat[key1][key2]) / default return init_vec, trans_mat, emit_mat

第七个方法 do_predict()，预测采用 Viterbi 算法求得最优路径，具体实现如下：

#模型预测 def do_predict(self, sequence): tab = [{}] path = {} init_vec, trans_mat, emit_mat = self.get_prob()# 初始化 for state in self.states: tab[0][state] = init_vec[state] * emit_mat[state].get(sequence[0], EPS) path[state] = [state]# 创建动态搜索表 for t in range(1, len(sequence)): tab.append({}) new_path = {} for state1 in self.states: items = [] for state2 in self.states: if tab[t - 1][state2] == 0: continue prob = tab[t - 1][state2] * trans_mat[state2].get(state1, EPS) * emit_mat[state1].get(sequence[t], EPS) items.append((prob, state2)) best = max(items) tab[t][state1] = best[0] new_path[state1] = path[best[1]] + [state1] path = new_path# 搜索最有路径 prob, state = max([(tab[len(sequence) - 1][state], state) for state in self.states]) return path[state]

上面实现了类 HMM_Model 的7个方法，接下来我们来实现分词器，这里先定义两个函数，这两个函数是独立的，不在类中。
（1）定义一个工具函数
对输入的训练语料中的每个词进行标注，因为训练数据是空格隔开的，可以进行转态标注，该方法用在训练数据的标注，具体实现如下：

def get_tags(src): tags = [] if len(src) == 1: tags = ['S'] elif len(src) == 2: tags = ['B', 'E'] else: m_num = len(src) - 2 tags.append('B') tags.extend(['M'] * m_num) tags.append('E') return tags

（2）定义一个工具函数
根据预测得到的标注序列将输入的句子分割为词语列表，也就是预测得到的状态序列，解析成一个 list 列表进行返回，具体实现如下：

def cut_sent(src, tags): word_list = [] start = -1 started = Falseif len(tags) != len(src): return Noneif tags[-1] not in {'S', 'E'}: if tags[-2] in {'S', 'E'}: tags[-1] = 'S' else: tags[-1] = 'E'for i in range(len(tags)): if tags[i] == 'S': if started: started = False word_list.append(src[start:i]) word_list.append(src[I]) elif tags[i] == 'B': if started: word_list.append(src[start:i]) start = I started = True elif tags[i] == 'E': started = False word = src[start:i+1] word_list.append(word) elif tags[i] == 'M': continue return word_list

最后，我们来定义分词器类 HMMSoyoger，继承 HMM_Model 类并实现中文分词器训练、分词功能，先给出 HMMSoyoger 类的结构定义：

class HMMSoyoger(HMM_Model): def __init__(self, *args, **kwargs): pass #加载训练数据 def read_txt(self, filename): pass #模型训练函数 def train(self): pass #模型分词预测 def lcut(self, sentence): pass

第一个方法 init()，构造函数，定义了初始化变量，具体实现如下：

def __init__(self, *args, **kwargs): super(HMMSoyoger, self).__init__(*args, **kwargs) self.states = STATES self.data = https://www.it610.com/article/None

第二个方法 read_txt()，加载训练语料，读入文件为 txt，并且 UTF-8 编码，防止中文出现乱码，具体实现如下：

#加载语料 def read_txt(self, filename): self.data = https://www.it610.com/article/open(filename,'r', encoding="utf-8")

第三个方法 train()，根据单词生成观测序列和状态序列，并通过父类的 do_train() 方法进行训练，具体实现如下：

def train(self): if not self.inited: self.setup()for line in self.data: line = line.strip() if not line: continue#观测序列 observes = [] for i in range(len(line)): if line[i] == " ": continue observes.append(line[I])#状态序列 words = line.split(" ")states = [] for word in words: if word in seg_stop_words: continue states.extend(get_tags(word)) #开始训练 if(len(observes) >= len(states)): self.do_train(observes, states) else: pass

第四个方法 lcut()，模型训练好之后，通过该方法进行分词测试，具体实现如下：

def lcut(self, sentence): try: tags = self.do_predict(sentence) return cut_sent(sentence, tags) except: return sentence

通过上面两个类和两个方法，就完成了基于 HMM 的中文分词器编码，下面我们来进行模型训练和测试。
训练模型
首先实例化 HMMSoyoger 类，然后通过 read_txt() 方法加载语料，再通过 train() 进行在线训练，如果训练语料比较大，可能需要等待一点时间，具体实现如下：

soyoger = HMMSoyoger() soyoger.read_txt("syj_trainCorpus_utf8.txt") soyoger.train()

模型测试
模型训练完成之后，我们就可以进行测试：

soyoger.lcut("中国的人工智能发展进入高潮阶段。")

得到结果为：

['中国', '的', '人工', '智能', '发展', '进入', '高潮', '阶段', '。']

得到结果为：

['中文', '自然', '语言', '处理', '是人', '工智', '能技', '术的', '一个', '重要', '分支', '。']

可见，最后的结果还是不错的，如果想取得更好的结果，可自行制备更大更丰富的训练数据集。
基于 CRF 的开源中文分词工具 Genius 实践
Genius 是一个基于 CRF 的开源中文分词工具，采用了 Wapiti 做训练与序列标注，支持 Python 2.x、Python 3.x。
安装
（1）下载源码
在 Github 上下载源码地址，解压源码，然后通过 python setup.py install 安装。
（2）Pypi 安装
通过执行命令：easy_install genius 或者 pip install genius 安装。
分词
首先引入 Genius，然后对 text 文本进行分词。

import genius text = u"""中文自然语言处理是人工智能技术的一个重要分支。""" seg_list = genius.seg_text( text, use_combine=True, use_pinyin_segment=True, use_tagging=True, use_break=True ) print(' '.join([word.text for word in seg_list])

其中，genius.seg_text 函数接受5个参数，其中 text 是必填参数：

text 第一个参数为需要分词的字。
use_break 代表对分词结构进行打断处理，默认值 True。
use_combine 代表是否使用字典进行词合并，默认值 False。
use_tagging 代表是否进行词性标注，默认值 True。
use_pinyin_segment 代表是否对拼音进行分词处理，默认值 True。

总结
【NLP第8课（从自然语言处理角度看|NLP第8课：从自然语言处理角度看 HMM 和 CRF）】本文首先通过贝叶斯定理，理解了判别式模型和生成式模型的区别，接着通过动手实战——基于 HMM 训练出自己的 Python 中文分词器，并进行了模型验证，最后给出一个基于 CRF 的开源中文分词工具。
参考文献