C++,python,热爱算法和机器学习
全部博文（1214）
分类： IT职场
2016-07-30 17:33:52
这里的歧义是指：同样的一句话，可能有两种或者更多的切分方法，这些切分结果，有的正确，有的不正确。
消除歧义的目的就是从切分结果中挑选切分正确的。
假设我们要切分句子：结婚的和尚未结婚的，使用逆向最大匹配和正向最大匹配算法的结果如下：
逆向最大匹配：[结婚, 的, 和, 尚未, 结婚, 的] 正向最大匹配：[结婚, 的, 和尚, 未结, 婚, 的]
再比如，这几块地面积还真不小：
逆向最大匹配：[这, 几块, 地, 面积, 还真, 不小] 正向最大匹配：[这, 几块, 地面, 积, 还真, 不小]
这里就出现了歧义现象，这种歧义现象称为交集型歧义。
交集型歧义的特点是，其中的一个字既可以和前面的字结合成词，也可以和后面的字结合成词，如上面所说的“和尚未"中尚就是这样的字，既可以和前面的字结合成“和尚”也可以和后面的字结合成“尚未”。还有“地面积”中的面，既可以是地面，也可以是面积。
那么我们该选择哪一个分词结果呢？
我们可以利用ngram模型来消除歧义，我们看第一个例子的分词过程：
初始化bigram bigram初始化完毕，bigram数据条数：1519443 利用bigram为逆向最大匹配算法的分词结果进行评分： 二元模型 结婚:的 获得分值：16.970562 二元模型 和:尚未 获得分值：2.0 二元模型 尚未:结婚 获得分值：1.4142135 二元模型 结婚:的 获得分值：16.970562 逆向最大匹配：[结婚, 的, 和, 尚未, 结婚, 的] : ngram分值=37.35534 利用bigram为正向最大匹配算法的分词结果进行评分： 二元模型 结婚:的 获得分值：16.970562 二元模型 的:和尚 获得分值：3.0 正向最大匹配：[结婚, 的, 和尚, 未结, 婚, 的] : ngram分值=19.970562 最大分值：37.35534, 消歧结果：[结婚, 的, 和, 尚未, 结婚, 的]
接着看第二个例子：
利用bigram为逆向最大匹配算法的分词结果进行评分： 二元模型 地:面积 获得分值：1.7320508 逆向最大匹配：[这, 几块, 地, 面积, 还真, 不小] : ngram分值=1.7320508 利用bigram为正向最大匹配算法的分词结果进行评分： 正向最大匹配：[这, 几块, 地面, 积, 还真, 不小] : ngram分值=0.0 最大分值：1.7320508, 消歧结果：[这, 几块, 地, 面积, 还真, 不小]
这里要解释的是，ngram中的n>1，我们这里取2(bi)，我们看到bigram中数据的条数有1519443，bigram需要从人工标注的语料库中提取，提取方法参考项目，bigram中的数据格式如下：
结婚:登记 91 结婚:的 288 地:面积 3 和:尚未 4 尚未:结婚 2 的:和尚 9
表示的含义是在人工标注的语料库中，结婚这个词后面跟着登记这个词的出现次数是91次，结婚这个词后面跟着的这个词的出现次数是288次。
如果ngram中的n为3，则数据格式如下：
结婚:的:事情 3 结婚:的:人 4 结婚:的:信念 2 结婚:的:决定 13
表示的含义和bigram一致。
通过分析bigram和trigram，我们知道，在ngram中，n越大，消歧的效果就越好，但是数据也越大，耗费的内存就更多了。
利用ngram模型来消除歧义，依赖人工标注的语料库，利用了统计学的大数定律，这种方法的缺点在于无法处理少见的语言现象，以及无法处理样本覆盖不到的情况。