HanLP — HMM隐马尔可夫模型 -- 维特比(Viterbi)算法 --示例代码 - Python

语料库 => 标注 => 训练得到三数组 => 归一化算概率 => 生成模型文件

加载模型文件 => 标注 => 预测 => 维特比

可以对着这篇贴子看代码

import pickle
from tqdm import tqdm
import numpy as np
import os


def make_label(text_str):
    """从单词到label的转换, 如: 今天 ----> BE  麻辣肥牛: ---> BMME  的 ---> S"""
    text_len = len(text_str)
    if text_len == 1:
        return "S"
    return "B" + "M" * (text_len - 2) + "E"  # 除了开头是 B, 结尾是 E，中间都是Ｍ


def text_to_state(train_file, state_file):
    """ 将原始的语料库转换为 对应的状态文件 """
    if os.path.exists(state_file):  # 如果存在该文件, 就直接退出
        os.remove(state_file)
    # 打开文件并按行切分到  all_data 中 , all_data  是一个list
    all_data = open(train_file, "r", encoding="utf-8").read().split("\n")
    with open(state_file, "w", encoding="utf-8") as f:  # 代开写入的文件
        for d_index, data in tqdm(enumerate(all_data)):  # 逐行 遍历 , tqdm 是进度条提示 , data 是一篇文章, 有可能为空
            if data:  # 如果 data 不为空
                state_ = ""
                for w in data.split(" "):  # 当前 文章按照空格切分, w是文章中的一个词语
                    if w:  # 如果 w 不为空
                        state_ = state_ + make_label(w) + " "  # 制作单个词语的label
                if d_index != len(all_data) - 1:  # 最后一行不要加 "\n" 其他行都加 "\n"
                    state_ = state_.strip() + "\n"  # 每一行都去掉 最后的空格
                f.write(state_)


# 定义 HMM类, 其实最关键的就是三大矩阵
class HMM:
    def __init__(self, file_text, file_state):
        self.all_states = open(file_state, "r", encoding="utf-8").read().split("\n")[:200]  # 按行获取所有的状态
        self.all_texts = open(file_text, "r", encoding="utf-8").read().split("\n")[:200]  # 按行获取所有的文本
        self.states_to_index = {"B": 0, "M": 1, "S": 2, "E": 3}  # 给每个状态定义一个索引, 以后可以根据状态获取索引
        self.index_to_states = ["B", "M", "S", "E"]  # 根据索引获取对应状态
        self.len_states = len(self.states_to_index)  # 状态长度 : 这里是4

        # 初始矩阵 : 1 * 4 , 对应的是 BMSE,
        self.init_matrix = np.zeros((self.len_states))
        # 转移状态矩阵:  4 * 4 ,
        self.transfer_matrix = np.zeros((self.len_states, self.len_states))

        # 发射矩阵, 使用的 2级 字典嵌套，
        # # 注意这里初始化了一个  total 键 , 存储当前状态出现的总次数, 为了后面的归一化使用
        self.emit_matrix = {"B": {"total": 0}, "M": {"total": 0}, "S": {"total": 0}, "E": {"total": 0}}

    # 计算 初始矩阵，统计每行第一个字出现的频次
    def cal_init_matrix(self, state):
        self.init_matrix[self.states_to_index[state[0]]] += 1  # BMSE 四种状态, 对应状态出现 1次 就 +1

    # 计算 转移矩阵，当前状态到下一状态的概率
    def cal_transfer_matrix(self, states):
        sta_join = "".join(states)  # 状态转移 从当前状态转移到后一状态, 即 从 sta1 每一元素转移到 sta2 中
        sta1 = sta_join[:-1]
        sta2 = sta_join[1:]
        for s1, s2 in zip(sta1,
                          sta2):  # 同时遍历 s1 , s2  -- (('B', 'E'), ('E', 'B'), ('B', 'E'), ('E', 'S'), ('S', 'B'), ('B', 'E'), ('E', 'S'))
            self.transfer_matrix[self.states_to_index[s1], self.states_to_index[s2]] += 1

    # 计算 发射矩阵，在特定状态下，出现某个字的概率
    def cal_emit_matrix(self, words, states):
        """计算 发射矩阵，在特定状态下，出现某个字的概率
        [
          '今天 天气 真 不错 。',
          '麻辣肥牛 好吃 ！',
          '我 喜欢 吃 好吃 的 ！'
        ]
        [
          'BE BE S BE S',
          'BMME BE S',
          'S BE S BE S S '
        ]
        {
          'B': {'total': 7, '今': 1, '天': 1, '不': 1, '麻': 1, '好': 2, '喜': 1},
          'M': {'total': 2, '辣': 1, '肥': 1},
          'S': {'total': 7, '真': 1, '。': 1, '！': 2, '我': 1, '吃': 1, '的': 1},
          'E': {'total': 7, '天': 1, '气': 1, '错': 1, '牛': 1, '吃': 2, '欢': 1}
        }
        """
        # print(tuple(zip("".join(words), "".join(states))))
        for word, state in zip("".join(words), "".join(states)):  # 先把words 和 states 拼接起来再遍历, 因为中间有空格
            self.emit_matrix[state][word] = self.emit_matrix[state].get(word, 0) + 1
            self.emit_matrix[state]["total"] += 1  # 注意这里多添加了一个  total 键 , 存储当前状态出现的总次数, 为了后面的归一化使用

    # 将矩阵归一化
    def normalize(self):
        self.init_matrix = self.init_matrix / np.sum(self.init_matrix)
        self.transfer_matrix = self.transfer_matrix / np.sum(self.transfer_matrix, axis=1, keepdims=True)
        self.emit_matrix = {
            state: {word: t / word_times["total"] * 1000 for word, t in word_times.items() if word != "total"} for
            state, word_times in
            self.emit_matrix.items()}

    # 训练开始, 其实就是3个矩阵的求解过程
    def train(self, file_model):
        for words, states in tqdm(zip(self.all_texts, self.all_states)):  # 按行读取文件, 调用3个矩阵的求解函数
            words = words.split(" ")  # 在文件中 都是按照空格切分的
            states = states.split(" ")
            self.cal_init_matrix(states[0])  # 初始矩阵，统计每行第一个字出现的频次 [2. 0. 1. 0.]
            self.cal_transfer_matrix(states)  # 转移矩阵，当前状态到下一状态的概率
            self.cal_emit_matrix(words, states)  # 发射矩阵，在特定状态下，出现某个字的概率
        self.normalize()  # 矩阵求完之后进行归一化
        pickle.dump([self.init_matrix, self.transfer_matrix, self.emit_matrix], open(file_model, "wb"))  # 保存参数


def viterbi_t(text, model_file):
    with open(model_file, 'rb') as file:
        loaded_matrix = pickle.load(file)

    states_to_index = {"B": 0, "M": 1, "S": 2, "E": 3}  # 给每个状态定义一个索引, 以后可以根据状态获取索引
    states = ["B", "M", "S", "E"]
    start_p = loaded_matrix[0]
    trans_p = loaded_matrix[1]
    emit_p = loaded_matrix[2]
    V = [{}]  # 存路径的概率
    path = {}  # 存路径，用于最后根据 S、E 判断增加空格
    # START 到第一个字的概率
    for y in states:
        # 初始矩阵 * 第一个字在 BMSE 中的概率 [{'B': 95.23809523809524, 'M': 0.0, 'S': 0.0, 'E': 0.0}]
        V[0][y] = start_p[states_to_index[y]] * emit_p[y].get(text[0], 0)
        path[y] = [y]  # {'B': ['B'], 'M': ['M'], 'S': ['S'], 'E': ['E']}
    # 从第二个字开始算 “今天” 找到它的最优路径，从今到天，有16条路径，4种状态，每种状态下假设一个最优的，再从四条里面取最优
    for t in range(1, len(text)):
        V.append({})
        newpath = {}

        # 检验训练的发射概率矩阵中是否有该字
        neverSeen = text[t] not in emit_p['S'].keys() and \
                    text[t] not in emit_p['M'].keys() and \
                    text[t] not in emit_p['E'].keys() and \
                    text[t] not in emit_p['B'].keys()
        # B M S E 分别计算四条路径，然后取最大概率的，做为最优路径
        for y in states:
            emitP = emit_p[y].get(text[t], 0) if not neverSeen else 1.0  # 设置未知字单独成词，到发射矩阵中，找到字的概率
            temp = []
            # 根据前一个字，做逻辑处理
            for y0 in states:
                pre_val = V[t - 1][y0]
                if pre_val > 0:  # 排除掉前一个字为0的路径，前路径概率 * 发射矩阵 * 转移矩阵 , 转移矩阵可以排队掉一些无效的路径，如 B->B
                    temp.append((pre_val * trans_p[states_to_index[y0], states_to_index[y]] * emitP, y0))
            (prob, state) = max(temp)  # 找出最大概率 及对应的状态（y0)
            V[t][y] = prob  # 最大的概率 及 状态，赋给 V 用于后面找出最大路径
            newpath[y] = path[state] + [y]  # 前一个字的状态 + 当前状态
        path = newpath

    # 求最大概率的路径，找出最后一个字的 B M S E 的最大值，说明它的路径概率最大（4条路径中找出最大的路径）
    (prob, state) = max([(V[len(text) - 1][y], y) for y in states])

    result = ""  # 拼接结果
    for t, s in zip(text, path[state]):
        result += t
        if s == "S" or s == "E":  # 如果是 S 或者 E 就在后面添加空格
            result += " "
    return result


if __name__ == "__main__":
    model_file = "data/train_model.pkl"

    if not os.path.exists(model_file):
        # 模型不存在，就训练模型
        train_file = "data/train_data.txt"
        state_file = "data/train_state.txt"
        text_to_state(train_file, state_file)
        hmm = HMM(train_file, state_file)
        hmm.train(model_file)

    # 预测
    text = "今天的天气不错"
    result = viterbi_t(text, model_file)
    print(result)

源代码： https://gitee.com/VipSoft/VipPython/tree/master/hmm_viterbi
视频：代码讲解 https://www.bilibili.com/video/BV1aP4y147gA?p=11