基于隐马尔可夫模型的有监督词性标注

https://blog.csdn.net/yutianzuijin/article/details/33292841

词性标注（Part-of-Speech tagging 或 POS tagging)是指对于句子中的每一个词都指派一个合适的词性，也就是要确定每一个词是名词、动词、形容词或其它词性的过程，又称词类标注或者简称标注。

词性标注是自然语言处理中的一项基础任务，在语音识别、信息检索及自然语言处理的很多领域都发挥着关键的数据。

词性标注本质上是一个分类问题，对于句子中的每一个单词W。找到一个合适的词类类别T，也就是词性标记，只是词性标注考虑的是总体标记的好坏，既整个句子的序列标记问题。对于分类问题，有非常多现成的数学模型和框架能够套用。譬如HMM、最大熵模型、条件随机场、SVM等等。在本博客中我们介绍基于隐马尔可夫模型（HMM）的词性标注。

1 隐马尔可夫模型（HMM）

隐马尔科夫模型(HMM)是什么？说白了。就是一个数学模型，用一堆数学符号和參数表示而已，包含隐藏状态集合、观察状态集合、初始概率向量, 状态转移矩阵A。混淆矩阵B。

在wiki上一个比較好的HMM样例，浅显易懂地介绍了HMM的基本概念和问题，初次接触HMM的人能够首先看一下这个样例。

在Hidden Markov Models站点。更加具体地介绍了HMM。在此我们借用该站点中的样例和图进一步介绍HMM。

想象一个这种场景：一个诗人因为抨击当权派被打入地牢中，在暗无天日的地牢中诗人不想无所事事，整日沉沦，所以他每天都在墙上写诗抒发情感。某日，他在地牢的墙角发现一些苔藓。在毫无生机的地牢里能发现还有一种生命让他深感欣慰，每天都与苔藓对话。几天之后他发现一个现象。苔藓有时湿润。有时干燥，他猜想这可能和外面未知的天气有关。

依据上面的描写叙述，我们能够构造一个HMM，然后利用苔藓的状态来预測天气。首先，天气是未知的状态。是须要猜測的量，在HMM中就是隐藏状态。为了简化起见。如果诗人被捕的地牢外面仅仅有三种天气状态：晴天（Sun）、雨天（Rain）和阴天（Cloud），如图一所看到的。

图一天气状态转换图

状态转换能够分为确定型的和非确定型的，交通灯的状态转换是确定型的，也即在红灯之后我们肯定知道下一个状态是绿灯。可是天气状态的转换是非确定型的，也即今天是晴天。不能确定明天是什么天气（即使如今的天气预报非常准确，我们还是无法100%知道明天的天气，事实上明天的世界有非常大的不确定型）。

不确定型的状态转换须要採用概率模型来描写叙述它们之间的状态变化。图二描写叙述了地牢外面天气的状态转移矩阵：

图二天气的状态转移矩阵

上述矩阵是行随机的（row stochastic）。每一行的概率相加是1，含义是无论昨天什么天气，今天肯定是（sun,cloud,rain）天气中的一种，仅仅是每一种天气发生的概率不同。如果有N个状态，隐藏状态的状态转移矩阵就是一个N*N的矩阵，通常称为A。

此外，我们还须要一个不同天气发生的先验概率，也即地牢外面常年统计获得的三种天气发生概率，通常称为

。

假定（sun,cloud,rain）发生的先验概率为：

如今我们已经有HMM的两个參数，还缺一个关于观測状态的參数。

在地牢中。诗人能够观測的量仅仅有苔藓的状态，为简化起见，如果苔藓的变化仅仅有四种状态：非常潮湿（Soggy）、潮湿（Damp）、干燥（Dryish）和非常干燥（Dry）。这些可观測的状态都和隐藏的天气相关，如图三所看到的。

每一个隐藏的天气状态都可能会产生苔藓的四种状态，又仅仅是概率不同而已。为了描写叙述这个概率，须要引入一个混淆矩阵（confuse matrix），又叫发射矩阵。用来描写叙述不同天气状态下产生苔藓不同状态的概率，如图四所看到的。

图三隐藏天气状态和观測状态之间的关系

混淆矩阵描写叙述了HMM的第三个參数。通常称为B。假定有M个可观測状态，则混淆矩阵是N*M的矩阵。而且每一行的概率为1，表示在某个天气状态下，苔藓肯定属于（Soggy，Damp，Dryish，Dry）中的一种状态。

图四 HMM的混淆矩阵

整个HMM就是由上述三元组构成，能够用HMM表示。知道了这三个參数，我们就能够全然了解整个HMM。

HMM能够用来解决三个问题：

给定一个模型，怎样计算某个特定的观測序列的概率。
给定一个模型和某个特定的观測序列，怎样找到最可能产生这个输出的隐藏状态序列。
给定足够的观測数据，怎样预计HMM的三个參数。

在语音识别领域，主要关注第一和第三个问题，在词性标注中主要关注第二和第三个问题。

解决第一个问题的用途是：在有多个HMM的情况下，选择使概率最大的HMM。

在语音识别领域。须要对每一个词构建一个HMM模型，就将语音识别成概率最大的HMM相应的词。解决第二个问题的用途是能够知道观測序列最有可能的隐藏状态序列，词性标注就是解决问题。第三个问题对全部应用HMM的人来说都非常重要，可是也最难，也即训练模型參数。

HMM的三个參数并非凭空想出来的，而是训出来的。

第一个问题能够通过前向算法高速解决，第二个问题须要利用Viterbi算法解决，第三个问题则有两种方法解决：有监督或者无监督。有监督的參数训练通过标注训练集统计获得相关參数，难度较低。无监督的參数训练则通过鲍姆-韦尔奇算法迭代训练获得，难度非常大。在此我们介绍有监督的词性标注，也即HMM參数的训练通过统计语料库获得。

2 词性标注

词性标注的目的就是对给定的句子先分词，然后给每一个词标注不同的词性。非常明显能够看出。HMM中的可观測序列就是词性标注中给定句子的分词，而隐藏状态就是不同的词性，词性的先验概率即是參数所以，为了实现对句子的词性标注，我们须要首先利用语料库训练一个HMM。然后再对句子进行分词和标注。

2.1 中文分词

我们首先介绍中文分词。这是因为用户输入的是一个完整的句子，并不能直接得到可观測序列。採用统计语言模型的中文分词。效果已经非常好。能够觉得中文分词是一个已经攻克了的问题。只是。这又须要训练一个新的马尔可夫模型，不属于本博客考虑的范围。

在此，我们实现了一种最简单的中文分词：总左往右扫描句子。然后查找词库，找到最长的词匹配，遇到不认识的字串就切割成单字词。

在代码中，我们有一个接近35w的词库，词库中的词语依照unicode码排序，能够方便地查找。在分词时。首先将词库读到内存中，然后将句子依照从左往右最长匹配原则查找词库。

因为词库依照unicode码排序，所以我们能够採用二分高速查找词组。查找时。我们首先读取原始句子的第一个字，定位到该字在词库中的起始位置和结束位置。然后进行二分查找就可以。在查找的过程中记录起始和结束位置之间全部词的最大长度，然后从最大长度開始查找词库，长度逐一递减，直到找到为止。

图五简单描写叙述了分词的过程：

图五中文分词示意图

2.2 HMM參数训练

HMM须要训练的參数有三个，即。表示词性的先验概率，A表示词性之间的状态转移矩阵，B表示词性到词的发射矩阵或者混淆矩阵。

本博客採用有监督的方式训练上述三个參数。有监督的方式，也即通过统计语料库中的相关信息训练參数。图六是我们採用的语料库的部分截图。每一行都是一个完整的被标注过的句子。

图六部分语料库

HMM參数训练就是通过分析上述语料库获得HMM的三个參数。通过解析上述语料库我们能够获得：每一个词性出现的次数，每一个词性及其后继词性出现的次数和词性相应的词。统计完这些信息之后就能够以频率取代概率获得三个參数的值。

统计上述信息的关键是解析语料库，解析通过以下三句正則表達式完毕：

// 获取预料语料库中的一个个不同的词组(以空格分开)，词组后附有相应的词性
text = content.toString().split("\\s{1,}"); 
// 去除词性标注，仅仅保存词组
phrase = content.toString().split("(/[a-z]*\\s{0,})");//"/"后面跟着一个或者多个字母然后是多个空格
// 获取语料库中从前往后的全部词组的词性
characters = content.toString().split("[0-9|-]*/|\\s{1,}[^a-z]*"); //开头的日期或者空格+非字母作为分隔符

凝视已经详解了正則表達式的含义。在此不再赘述。获得上述信息之后，我们就能够非常easy地统计相关信息，进而利用频率算概率。词性先验概率的计算没有不论什么难度。隐藏状态转移矩阵依照公式：

来计算，

表示不同的两个词性前后出现的次数，

表示词性

出现的次数。可观測状态的发射矩阵依照公式：

来计算。

表示某个词和某个词性同一时候出现的次数。

在计算频率的时候，因为有些值非常小，为了避免后面计算过程中的下溢，我们统一将计算的结果乘以100。个人不能保证这个方案的可靠性，事实上。对于频数为零或者频数非常小的情况，我们须要依照古德-图灵预计又一次计算（数学之美P34），之后求最优隐藏序列须要採用log方式。在此。为了简便。忽略这些细节（不要在意这些细节☺）。

如果通过分析语料库。最后获得了N个词性，M个词组。则就是一个长度为N的向量。A是一个N*N的句子，B就是一个N*M的矩阵。

后面对句子进行词性标注时，要确保分词后的词组都在M中，否则就超出了HMM的处理能力。

2.3 再次分词

普通情况下，完毕HMM參数训练之后，我们就能够利用HMM完毕一些具体的事情。只是，在这之前对于我们的词性标注系统。还须要进一步分词。我们採用的分词方法是从左往右，最大匹配模式。可是程序中採用的语料库却倾向于最小匹配模式。所以我们初次分词的结果有可能不在语料库中。在此我们将语料库不能识别的词组再次进行分词尝试让算法找到很多其它的词。

再次分词的算法非常easy。既然我们已经统计了HMM中出现过的全部可观測状态M，则将分词的结果在全部的状态中查找就可以。

找不到的分词分成两部分作为新的分词。

2.4 Viterbi算法

最终要说到大名鼎鼎的Viterbi算法了。可是从难度上来说。它远不如模型的參数训练麻烦。所以事实上它非常easy。

为了更数学化的描写叙述该算法。我们先声明几个符号：

：隐藏状态的先验概率；
：隐藏状态的转移矩阵，每一项表示从状态转移到状态的概率；
：隐藏状态产生观測状态的发射矩阵或混淆矩阵。每一项表示隐藏状态产生观測状态的概率。

在介绍Viterbi算法在计算隐藏状态序列的优越性之前。我们先考虑穷举算法。

还是考虑一開始的诗人天气预測问题。

如果诗人连续三天观測到苔藓的状态为（dry，damp，soggy），如今要求最可能的天气状态。最简单可是最笨的方法是将三天的全部天气组合罗列出来，然后求每一种组合的概率。选择概率最大的组合就可以。如图七所看到的。

图七观測序列的全部可能隐藏序列组合

依照上面穷举算法。最可能的状态序列求法例如以下：

假定有T个可观測状态，给定一个隐藏状态序列，计算复杂度为O(2T)。所以总的复杂度为O(2TN^T)。

显然这个复杂度为指数级。无法应用到实际中，基于动态规划的Viterbi算法应运而生。

既然要求最可能的隐藏状态序列，则其必定满足该序列发生的可能性最大，同一时候子序列也满足最优子结构： x₀,x₁,…,x_t发生的概率也必须最大，否则能够替换成概率更大的序列，从而产生更好的序列，这与前提矛盾。DP算法有两个关键点：递归方程和初始化。假定我们如今已经求得了最可能发生的前 t个隐藏状态。在求 t+1个状态时，我们须要从第 t个状态中选择最优的一个状态。因为在时刻 t，共同拥有 N个能够选择的隐藏状态。所以 t+1时刻的计算就是从这 N个状态中选择一个使 t+1状态概率最大的。

初始化主要是依赖于先验概率。由此可得Viterbi算法的步骤：

令，i=0,1,…,N-1；
对t=1,2,…,T-1。i=0,1,…,N-1，计算：
在时刻T-1会得到以N个不同状态结尾的概率。选择概率最大的状态：
计算最大概率不是目的，目的是要找到使概率最大的隐藏序列，这就须要保存每一步计算过程中选择的最优状态。然后回溯就可以。

Viterbi算法的计算能够通过图八说明。黄色的一列是须要初始化的列。红色方格的计算依赖绿色的列，最后结果是蓝色列中的最大值。计算完毕之后，再通过回溯找到最优的隐藏状态序列。

图八Viterbi算法的矩阵计算过程

有了Viterbi算法，我们就能够高速获得最优的隐藏序列，因为图八中的矩阵总共同拥有N*T个元素，每一个元素的计算复杂度为O(N)，所以总的复杂度为O(TN²)。在实际的实现过程中，我们最好将隐藏状态和观測状态交换一下位置，也即对上述矩阵进行转置，这是因为如果依照图八的方式。每一列元素实际上是不相邻的，这会导致非常严重的cache缺失，从而会使计算性能下降，图示仅仅是为了描写叙述方便才这样画的。