今天写篇技术硬文，看看大家喜不喜欢。互联网每年甚至每时刻都会催生很多新词（在新华词典里找不到的词语），比如”双一流”、”佛系”、”up主”、”大数据杀熟”等等，而做中文自然语言处理的基础是中文分词，中文分词的精准度是做自然语言处理的基础，比如（语音识别，文本倾向性分析，自动问答机器人，人工智能写自动文章等等）。
常用的中文分词方法是基于词库性质（比如结巴分词），如果一个词语没在这个词库里，那分词的时候，这个词语是肯定分不到一起的。要保证基于词库方式的分词效果好，就要持续的更新词库，也就是要有发现新词的能力。
这篇就来讨论发现新词的一种算法。
n-gram加词频
最原始的新词算法莫过于n-gram加词频了。简单来说就是，从大量语料中抽取连续的字的组合片段，这些字组合片段最多包含n个字，同时统计每个字组合的频率，按照词频并设置一个阈值来判断一个字组合片段是否为词汇。
该方法简单处理速度快，它的缺点也很明显，就是会把一些不是词汇但出现频率很高的字组合也当成词了。
凝固度和自由度
这个算法在文章《互联网时代的社会语言学：基于SNS的文本数据挖掘》 里有详细的阐述。
凝固度就是一个字组合片段里面字与字之间的紧密程度。比如“琉璃”、“榴莲”这样的词的凝固度就非常高，而“华为”、“组合”这样的词的凝固度就比较低。
自由度就是一个字组合片段能独立自由运用的程度。比如“巧克力”里面的“巧克”的凝固度就很高，和“巧克力”一样高，但是它自由运用的程度几乎为零，所以“巧克”不能单独成词。
Python实现
根据以上阐述，算法实现的步骤如下：
1. n-gram统计字组合的频率
如果文本量很小，可以直接用Python的dict来统计n-gram及其频率。一段文本n-gram出来的字组合的大小大约是原始文本的(1+n)*n/2倍，字组合的数量也非常惊人。比如，“中华人民共和国”的首字n-gram是（n=5）：
中
中华
中华人
中华人民
中华人民共
n-gram统计字组合频率的同时还要统计字组合的左右邻居，这个用来计算自由度。
如果文本量再大一些，Python的dict经常会碰到最好使用trie tree这样的数据结构。双数组Trie Tree有很多非常好的开源实现，比如，cedar、darts等等。Trie Tree使用的好处是，它天然包含了字组合的右邻居信息，因为这个数据结构一般是前缀树。要统计左邻居信息时，只需要把字组合倒序放入另外一个Trie Tree即可。
使用cedar Trie Tree的时候，5-gram统计30M的文本大约使用6GB左右的内存。
如果文本量更大，这就要借助硬盘了，可以使用leveldb这样的key-value数据库来实现。实验下来，trie tree统计30M的文本用几十秒，而同样的用leveldb统计却要6个多小时！！！应该还有比leveldb更合适的数据库来做这件事情，有时间再说。
当然，为了发现新词，几十MB的文本文本足够了。
2. 计算字组合的凝固度;
有了上述的统计结果，计算每个字组合的凝固度就比较简单了。
首先，把字组合切分成不同的组合对，比如’abcd’可以拆成(‘a’, ‘bcd’), (‘ab’, ‘cd’), (‘abc’, ‘d’),
然后，计算每个组合对的凝固度：D(s1, s2) = P(s1s2) / (P(s1) * P(s2))
最后，取这些组合对凝固度中最小的那个为整个字组合的凝固度。
3. 计算字组合的自由度;
分别计算它的左邻居信息熵和右邻居信息熵，取其中较小的为该组合的自由度。
4. 阈值的选择
整个过程涉及到三个阈值的选择：
组合的词频：频率很低的组合成词的可能性很小
组合的凝固度：凝固度越大成词的可能性越大
组合的自由度：自由度越大成词的可能性越大
经验值：30M文本，词频>200, 凝固度>10**(n-1), 自由度>1.5
小窍门：词频>30, 凝固度>20**(n-1)也能发现很多低频的词汇。
我的公众号：猿人学 Python 上会分享更多心得体会，敬请关注。
***版权申明:若没有特殊说明，文章皆是猿人学 yuanrenxue.con 原创，没有猿人学授权，请勿以任何形式转载。***
说点什么吧...