高阶HMM中文分词
模型的建立
一句话中出现的汉字构成观察序列，如“希腊的经济结构较特殊”对应的观察序列O={希,腊,的,经,济,结,构,较,特,殊}。所有观察值的集合至少应该包含训练集和测试集中出现的所有汉字。
状态有4种：B表示词首的汉字；M表示词语中间的汉字；E表示词尾的汉字；S表示单独的汉字构成一个词。
举例：希/B腊/E 的/S 经/B济/M结/M构/E 较/S 特/B殊/E
文本的预处理
语料库用的是使用msr_training.utf8和msr_test.utf8
由于要做分词，我们的观察值是一个一个的汉字，从文本中提前汉字的方法自然是一次读取3个字节。如果文本中含有英文符号、英文字母、阿拉伯数字等对会对提取汉字的工作造成干扰。有一种去除单字节编码字符的方法是：先利用ICTCLAS进行分词和词性标注（wordseg.cpp），然后去除词性以下列字母开关的词(posfilter.cpp)：
m:数词，里面通常包含数字
x:字符串，包含英文字母
w:标点符号，可能包含英文标点符号
t:时间，可能包含数字
另外词性为nrf(音译人名，如“阿沛·阿旺晋美”)的词也应该去掉，因为包含一个点。
wordseg.cpp
#include <string>
#include <iostream>
#define OS_LINUX
#include "ICTCLAS50.h"
using namespace std;
int main(int argc, char *argv[])
{
if (argc < 2) { //命令行中需要给定要处理的文件名
cout << "Usage:command filename" << endl;
return 1;
}
string filename = argv[1];
string outfile = filename + ".ws";
string initPath = "/home/orisun/master/ICTCLAS50_Linux_RHAS_32_C/API";
if (!ICTCLAS_Init(initPath.c_str())) {
cout << "Init fails" << endl;
return -1;
}
ICTCLAS_FileProcess(filename.c_str(), outfile.c_str(), CODE_TYPE_UTF8,1);
ICTCLAS_Exit();
return 0;
}
posfilter.cpp
#include<iostream>
#include<fstream>
#include<sstream>
#include<string>
#include<set>
using namespace std;
int main(int argc,char *argv[]){
set<char> filter_set;
filter_set.insert('m');
filter_set.insert('x');
filter_set.insert('w');
filter_set.insert('t');
if(argc<2){
cout<<"usage: "<<argv[0]<<" inputfile"<<endl;
return 1;
}
ifstream ifs(argv[1]);
if(!ifs){
cerr<<"open file "<<argv[1]<<" failed."<<endl;
return 1;
}
string outfile(argv[1]);
ofstream ofs((outfile+".posfilter").c_str());
if(!ofs){
cerr<<"open outputfile failed."<<endl;
return 1;
}
string line,line_out,word;
while(getline(ifs,line)){
line_out.clear();
istringstream strstm(line);
while(strstm>>word){
string::size_type pos=word.find("/");
string post=word.substr(pos+1);
char c=post.at(0);
if(c=='w')
line_out+=" ";
if(filter_set.find(c)==filter_set.end() && post!="nrf"){ //词性不在被过滤的集合当中
line_out+=word.substr(0,pos); //对于训练集要追加空格，对测试集不能追加空格
}
}
ofs<<line_out<<endl;
}
ifs.close();
ofs.close();
return 0;
}
另外由于ICTCKLAS词性标注也不是100%准确，采用上述方法并不能将单字节编码的字符去除干净，在BMES.cpp中会进行最后的检查，找到单字节字符后再手动将其删除即可。
最后请在train文档中手动去除℃和／
BMES.cpp
#include<iostream>
#include<fstream>
#include<sstream>
#include<string>
using namespace std;
int main(int argc,char *argv[]){
if(argc<3){
cout<<"Usage: "<<argv[0]<<" inputfile outputfile"<<endl;
return 1;
}
ifstream ifs(argv[1]);
ofstream ofs(argv[2]);
if(!(ifs&&ofs)){
cerr<<"Open file failed!"<<endl;
return 1;
}
string line,word,line_out;
int lineno=0;
while(getline(ifs,line)){
lineno++;
line_out.clear();
istringstream strstm(line);
while(strstm>>word){
if(word.size()%3!=0){
cout<<lineno<<": "<<word<<endl;
//return 1;
}
int len = word.size()/3; //词中包含多少个汉字
if (len == 0)
continue;
string word_out;
if (len == 1) {
word_out=word;
word_out+="/S";
} else {
/*拷贝词中的第1个汉字*/
word_out.insert(word_out.size(),word,0,3);
word_out+="/B";
int i=1;
/*逐个拷贝词中间的汉字*/
for(;i<len-1;++i){
word_out.insert(word_out.size(),word,3*i,3);
word_out+="/M";
}
/*拷贝词的最后1个汉字*/
word_out.insert(word_out.size(),word,3*len-3,3);
word_out+="/E";
}
line_out+=word_out;
line_out+=" ";
}
ofs<<line_out<<endl;
}
ifs.close();
ofs.close();
return 0;
}
同样要把train文本和test文本中的所有汉字录入GDBM数据库中，然后对所有汉字标记序号。
train2dict.cpp
#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#include<sys/stat.h>
#include<gdbm.h>
#include<ctype.h>
#define DB_FILE_BLOCK "dict_db"
int main(int argc,char* argv[]){
if(argc<2){
printf("Usage: %s BMES_marked_file.\n",argv[0]);
exit(1);
}
FILE *fp;
if((fp=fopen(argv[1],"r"))==NULL){
perror("fopen");
exit(1);
}
GDBM_FILE dbm_ptr;
dbm_ptr = gdbm_open(DB_FILE_BLOCK,0,GDBM_WRCREAT,S_IRUSR | S_IWUSR,NULL);
char *v="w";
datum key,value;
value.dptr=v;
value.dsize=1;
char word[3]={0};
char *line=NULL; //循环从输入文件中读取一行，放在line中
ssize_t read=0;
size_t needlen=0;
char slash='/';
int line_no=0;
while((read=getline(&line,&needlen,fp))!=-1){
line_no++;
char *begin=line;
char *end=NULL;
while((end=strchr(begin,slash))!=NULL){
if(end-begin<3){
printf("%d:%s\n",line_no,begin);
break;
}
strncpy(word,end-3,3);
key.dptr=word;
key.dsize=3;
//char tmp[4]={0};
//strncpy(tmp,key.dptr,3);
//printf("%s\t",tmp);
gdbm_store(dbm_ptr,key,value,GDBM_REPLACE);
begin=end+2;
}
}
free(line);
fclose(fp);
gdbm_close(dbm_ptr);
return 0;
}
test2dict.cpp
#include<gdbm.h>
#include<ctype.h>
#include<sys/stat.h>
#include<iostream>
#include<fstream>
#include<sstream>
#include<string>
#include<cstring>
#include<cassert>
using namespace std;
int main(int argc,char* argv[]){
if(argc<2){
cout<<"Usage: "<<argv[0]<<" inputfile"<<endl;
return 1;
}
ifstream ifs(argv[1]);
assert(ifs);
GDBM_FILE dbm_ptr;
dbm_ptr = gdbm_open("dict_db",0,GDBM_WRCREAT,S_IRUSR | S_IWUSR,NULL);
char v='w';
datum key,value;
value.dptr=&v;
value.dsize=1;
string str;
while(ifs>>str){
if(str.size()%3!=0){
cout<<"size="<<str.size()<<"\t"<<"|"<<str<<"|"<<endl;
return 1;
}
int len=str.size()/3;
for(int i=0;i<len;++i){
char word[3]={0};
strncpy(word,str.c_str()+3*i,3);
key.dptr=word;
key.dsize=3;
gdbm_store(dbm_ptr,key,value,GDBM_REPLACE);
//char tmp[4]={0};
//strncpy(tmp,key.dptr,3);
//cout<<tmp<<"\t";
}
}
ifs.close();
gdbm_close(dbm_ptr);
return 0;
}
indexword.cpp
#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#include<sys/stat.h>
#include<gdbm.h>
#include<ctype.h>
#define DB_FILE_BLOCK "dict_db"
int main(int argc,char* argv[]){
GDBM_FILE dbm_ptr;
dbm_ptr = gdbm_open(DB_FILE_BLOCK,0,GDBM_WRCREAT,S_IRUSR | S_IWUSR,NULL);
datum key,data;
long index=0; //从0开始编号
char index_str[10]={0};
for(key=gdbm_firstkey(dbm_ptr);key.dptr;key=gdbm_nextkey(dbm_ptr,key)){
data=gdbm_fetch(dbm_ptr,key);
bzero(index_str,sizeof(index_str));
sprintf(index_str,"%ld",index++);
data.dptr=index_str;
data.dsize=sizeof(index_str);
gdbm_store(dbm_ptr,key,data,GDBM_REPLACE);
}
gdbm_close(dbm_ptr);
return 0;
}
我处理好的语料库可以在这里下载：MSR分词语料
二阶HMM中文分词
利用Maxmum Likelihood学习二阶HMM模型参数
AMatrix.cpp
#include<iostream>
#include<fstream>
#include<sstream>
#include<string>
#include<iomanip>
using namespace std;
const int SNUM=4; //SNUM种隐藏状态
const char state[SNUM]={'B','M','E','S'};
int A1[SNUM][SNUM]; //记录一阶Markov状态转移的次数
int A2[SNUM][SNUM][SNUM]; //记录二阶Markov状态转移的次数
int PI[SNUM]; //记录各种状态出现的次数
inline int stateIndex(char state){
switch(state){
case 'B':return 0;
break;
case 'M':return 1;
break;
case 'E':return 2;
break;
case 'S':return 3;
break;
default:return -1;
break;
}
}
//由于隐藏状态只有4种，训练语料足够多，所有可能的状态转移在训练语料中都会出现，所以不使用任何平滑算法
inline void noneturing(const int count[],double prob[],int len){
double total=0.0;
for(int i=0;i<len;++i)
total+=count[i];
if(total==0.0){
for(int i=0;i<len;++i)
prob[i]=0.0;
}
else{
for(int i=0;i<len;++i)
prob[i]=count[i]/total;
}
}
int main(int argc,char *argv[]){
if(argc<2){
cout<<"usage: "<<argv[1]<<" BMES_marked_file"<<endl;
return 1;
}
ifstream ifs(argv[1]);
if(!ifs){
cerr<<"open inputfile "<<argv[1]<<" failed."<<endl;
return 1;
}
string line;
int lineno=0;
while(getline(ifs,line)){
lineno++;
char state; //状态
int i,j,k;
string::size_type local;
if((local=line.find("/",local+1))!=string::npos){ //抽取句子的第1个状态
state=line.at(local+1);
//cout<<state<<endl;
i=stateIndex(state);
PI[i]++;
if((local=line.find("/",local+1))!=string::npos){ //抽取句子的第2个状态
state=line.at(local+1);
//cout<<state<<endl;
j=stateIndex(state);
PI[j]++;
A1[i][j]++;
while((local=line.find("/",local+1))!=string::npos){ //逐个抽取句子中的后续状态
state=line.at(local+1);
//cout<<state<<endl;
k=stateIndex(state);
PI[k]++;
A1[j][k]++;
A2[i][j][k]++;
i=j;
j=k;
}
}
}
}
ifs.close();
/* for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
cout<<A1[i][j]<<"\t";
}
cout<<endl;
}
*/
ofstream ofs1("A1.mat");
ofstream ofs2("A2.mat");
ofstream ofs3("PI.mat");
if(!(ofs1 && ofs2 && ofs3)){
cerr<<"create matrix file failed."<<endl;
return 1;
}
ofs1<<setprecision(8);
ofs2<<setprecision(8);
ofs3<<setprecision(8);
double PImatrix[SNUM];
noneturing(PI,PImatrix,SNUM);
for(int i=0;i<SNUM;++i){
ofs3<<PImatrix[i]<<"\t";
}
ofs3<<endl;
for(int i=0;i<SNUM;++i){
double arr[SNUM];
noneturing(A1[i],arr,SNUM);
for(int j=0;j<SNUM;++j){
ofs1<<arr[j]<<"\t";
}
ofs1<<endl;
}
for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
double arr[SNUM];
noneturing(A2[i][j],arr,SNUM);
for(int k=0;k<SNUM;++k){
ofs2<<arr[k]<<"\t";
}
ofs2<<endl;
}
}
ofs1.close();
ofs2.close();
ofs3.close();
return 0;
}
gt.h包含Good-Turing平滑算法
#ifndef _HEADER_H
#define _HEADER_H
#include<vector>
#include<list>
#include<map>
using namespace std;
void goodturing(const int count[],double prob[],int len){
map<int, list<int> > count_map; //map可以自动按key排好序
int N=0;
for(int i=0;i<len;++i){
int c=count[i];
N+=c;
map<int, list<int> >::const_iterator itr;
itr=count_map.find(c);
if(itr==count_map.end()){
list<int> l;
l.push_back(i);
count_map[c]=l;
}
else{
count_map[c].push_back(i);
}
}
if(N==0){
for(int i=0;i<len;++i)
prob[i]=0.0;
return;
}
map<int, list<int> >::const_iterator iter=count_map.begin();
while(iter!=count_map.end()){
double pr;
int r=iter->first;
int nr=iter->second.size();
if(++iter!=count_map.end()){
int r_new=iter->first;
if(r_new=r+1){
int nr_1=iter->second.size();
pr=(1.0+r)*nr_1/(N*nr);
}
else{
pr=1.0*r/N;
}
}
else{
pr=1.0*r/N;
}
list<int> l=(--iter)->second;
list<int>::const_iterator itr1=l.begin();
while(itr1!=l.end()){
int index=*itr1;
itr1++;
prob[index]=pr;
}
++iter;
}
//概率归一化
double sum=0;
for(int i=0;i<len;++i)
sum+=prob[i];
for(int i=0;i<len;++i)
prob[i]/=sum;
}
#endif
BMatrix.cpp
#include<iostream>
#include<cstdlib>
#include<iomanip>
#include<fstream>
#include<sstream>
#include<string>
#include"gt.h"
#include<sys/stat.h>
#include<gdbm.h>
const int SNUM = 4;
const int ONUM = 4782; //字典数据库中共有ONUM项
int B1[SNUM][ONUM]; //记录一阶状态发射的次数
int B2[SNUM][SNUM][ONUM]; //记录二阶状态发射的次数
GDBM_FILE dbm_ptr;
inline int stateIndex(char state)
{
switch (state) {
case 'B':
return 0;
break;
case 'M':
return 1;
break;
case 'E':
return 2;
break;
case 'S':
return 3;
break;
default:
return -1;
break;
}
}
inline int observIndex(string chinese)
{
//cout << chinese << endl;
datum key, value;
key.dptr = const_cast < char *>(chinese.c_str());
key.dsize = 3;
value = gdbm_fetch(dbm_ptr, key);
int index = atoi(value.dptr);
return index;
}
int main(int argc, char *argv[])
{
if (argc < 2) {
cout << "usage: " << argv[0] << " inputfile" << endl;
return 1;
}
ifstream ifs(argv[1]);
if (!ifs) {
cerr << "open file " << argv[1] << " failed." << endl;
return 1;
}
dbm_ptr = gdbm_open("dict_db", 0, GDBM_READER, S_IRUSR | S_IWUSR, NULL);
string line;
//int line_no = 1;
while (getline(ifs, line)) {
//cout << line_no++ << endl;
string::size_type local;
if ((local = line.find("/")) != string::npos) {
char s = line.at(local + 1); //第1个状态
string chinese = line.substr(local - 3, 3); //第1个观察值
int j = stateIndex(s);
int k = observIndex(chinese);
B1[j][k]++;
int i;
while ((local =
line.find("/", local + 1)) != string::npos) {
s = line.at(local + 1); //下1个状态
chinese = line.substr(local - 3, 3); //下1个观测值
i = j;
j = stateIndex(s);
k = observIndex(chinese);
B1[j][k]++;
B2[i][j][k]++;
}
}
}
ifs.close();
gdbm_close(dbm_ptr);
ofstream ofs1("B1.mat");
ofstream ofs2("B2.mat");
if (!(ofs1 && ofs2)) {
cerr << "create outputfile failed." << endl;
return 1;
}
ofs1 << setprecision(8);
ofs2 << setprecision(8);
double arr[ONUM] = { 0.0 };
for (int i = 0; i < SNUM; ++i) {
goodturing(B1[i], arr, ONUM);
for (int j = 0; j < ONUM; ++j)
ofs1 << arr[j] << "\t";
ofs1 << endl;
}
for (int i = 0; i < SNUM; ++i) {
for (int j = 0; j < SNUM; ++j) {
goodturing(B2[i][j], arr, ONUM);
for (int k = 0; k < ONUM; ++k)
ofs2 << arr[k] << "\t";
ofs2 << endl;
}
}
ofs1.close();
ofs2.close();
return 0;
}
Viterbi算法进行分词
#include<iostream>
#include<fstream>
#include<sstream>
#include<string>
#include<stack>
#include<sys/stat.h>
#include<gdbm.h>
#include<cstdlib>
using namespace std;
const string DB_FILE_BLOCK="dict_db";
GDBM_FILE dbm_ptr;
const int SNUM=4; //隐藏状态集合大小
const int ONUM=4782; //观察值集合大小
/*二阶HMM模型参数*/
double PI[SNUM];
double A1[SNUM][SNUM];
double A2[SNUM][SNUM][SNUM];
double B1[SNUM][ONUM];
double B2[SNUM][SNUM][ONUM];
inline int stateIndex(char state)
{
switch (state) {
case 'B':
return 0;
break;
case 'M':
return 1;
break;
case 'E':
return 2;
break;
case 'S':
return 3;
break;
default:
return -1;
break;
}
}
inline int observIndex(string chinese)
{
//cout << chinese << endl;
datum key, value;
key.dptr = const_cast < char *>(chinese.c_str());
key.dsize = 3;
value = gdbm_fetch(dbm_ptr, key);
int index = atoi(value.dptr);
return index;
}
/*从文件中读出HMM模型参数*/
void initHMM(string f1,string f2,string f3,string f4,string f5){
ifstream ifs1(f1.c_str());
ifstream ifs2(f2.c_str());
ifstream ifs3(f3.c_str());
ifstream ifs4(f4.c_str());
ifstream ifs5(f5.c_str());
if(!(ifs1 && ifs2 && ifs3 && ifs4 && ifs5)){
cerr<<"Open file failed!"<<endl;
exit(1);
}
//读取PI
string line;
if(getline(ifs1,line)){
istringstream strstm(line);
string word;
for(int i=0;i<SNUM;++i){
strstm>>word;
PI[i]=atof(word.c_str());
}
}else{
cerr<<"Read PI failed!"<<endl;
exit(1);
}
//读取A1
for(int i=0;i<SNUM;++i){
getline(ifs2,line);
istringstream strstm(line);
string word;
for(int j=0;j<SNUM;++j){
strstm>>word;
A1[i][j]=atof(word.c_str());
}
}
//读取A2
for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
getline(ifs3,line);
istringstream strstm(line);
string word;
for(int k=0;k<SNUM;++k){
strstm>>word;
A2[i][j][k]=atof(word.c_str());
}
}
}
//读取B1
for(int i=0;i<SNUM;++i){
getline(ifs4,line);
istringstream strstm(line);
string word;
for(int j=0;j<ONUM;++j){
strstm>>word;
B1[i][j]=atof(word.c_str());
}
}
//读取B2
for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
getline(ifs5,line);
istringstream strstm(line);
string word;
for(int k=0;k<ONUM;++k){
strstm>>word;
B2[i][j][k]=atof(word.c_str());
}
}
}
ifs1.close();
ifs2.close();
ifs3.close();
ifs4.close();
ifs5.close();
}
/*Viterbi算法进行分词*/
void viterbi(string sentence,string &result){
if(sentence.size()==0)
return;
result.clear();
int time=sentence.size()/3; //观察序列的长度
if(time<3){ //观测序列中只有1个字或2个字，我们认为这就是1个词
result=sentence.append(" ");
return;
}
double ***Q=new double **[SNUM]; //动态申请并初始化Q和Path数组
int ***Path=new int**[SNUM];
for(int i=0;i<SNUM;++i){
Q[i]=new double *[SNUM];
Path[i]=new int *[SNUM];
for(int j=0;j<SNUM;++j){
Q[i][j]=new double[ONUM];
Path[i][j]=new int[ONUM];
for(int k=0;k<ONUM;++k){
Q[i][j][k]=0.0;
Path[i][j][k]=0;
}
}
}
//给Q和Path矩阵的第1个面赋值
string chinese1=sentence.substr(0,3);
int o1=observIndex(chinese1);
string chinese2=sentence.substr(3,3);
int o2=observIndex(chinese2);
for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
Q[i][j][0]=PI[i]*A1[i][j]*B1[i][o1]*B2[i][j][o2];
Path[i][j][0]=-1;
}
}
//给Q和Path矩阵的后续层面赋值
for(int t=1;t<time-1;++t){
string chinese=sentence.substr(3*(t+1),3);
int ot=observIndex(chinese);
for(int j=0;j<SNUM;++j){
for(int k=0;k<SNUM;++k){
double max=-1.0;
int maxindex=-1;
for(int i=0;i<SNUM;++i){
double product=Q[i][j][t-1]*A2[i][j][k];
if(product>max){
max=product;
maxindex=i;
}
}
Q[j][k][t]=max*B2[j][k][ot];
Path[j][k][t]=maxindex;
}
}
}
//找Q矩阵最后一层的最大值
double max=-1.0;
int maxindexi=-1;
int maxindexj=-1;
for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
if(Q[i][j][time-2]>max){
max=Q[i][j][time-2];
maxindexi=i;
maxindexj=j;
}
}
}
//从maxindexj,maxindexi出发，根据Path矩阵找出最可能的状态序列
stack<int> st;
st.push(maxindexj);
st.push(maxindexi);
for(int t=time-3;t>=0;--t){
int maxindexk=Path[maxindexi][maxindexj][t+1];
st.push(maxindexk);
maxindexj=maxindexi;
maxindexi=maxindexk;
}
//释放三维数组
for(int i=0;i<SNUM;++i){
for(int j=0;j<SNUM;++j){
delete []Q[i][j];
delete []Path[i][j];
}
delete []Q[i];
delete []Path[i];
}
delete []Q;
delete []Path;
//根据标记好的状态序列分词
int pos=0;
//cout<<sentence<<endl;
while(!st.empty()){
int mark=st.top();
st.pop();
result.insert(result.size(),sentence,pos,3);
if(mark==2 || mark==3){ //状态是E和S
result.append(" ");
}
pos+=3;
}
result.append("\t");
}
int main(int argc,char *argv[]){
if(argc<3){
cout<<"Usage: "<<argv[0]<<" inputfile outputfile"<<endl;
return 1;
}
dbm_ptr = gdbm_open(DB_FILE_BLOCK.c_str(),0,GDBM_READER,S_IRUSR | S_IWUSR,NULL);
initHMM("PI.mat","A1.mat","A2.mat","B1.mat","B2.mat");
ifstream ifs(argv[1]);
ofstream ofs(argv[2]);
if(!(ifs&&ofs)){
cerr<<"Open file failed!"<<endl;
return 1;
}
string line,line_out;
int lineno=0;
//循环读取每一行
while(getline(ifs,line)){
lineno++;
//cout<<"line="<<line<<endl;
line_out.clear();
istringstream strstm(line);
string sentence;
string result;
while(strstm>>sentence){
//if(sentence.size()<6){
// cout<<lineno<<": "<<sentence<<endl;
// continue;
//}
//cout<<"sentence="<<sentence<<endl;
viterbi(sentence,result);
line_out+=result;
}
ofs<<line_out<<endl;
}
ifs.close();
ofs.close();
gdbm_close(dbm_ptr);
return 0;
}
一阶HMM中文分词
一阶HMM的模型参数就是二阶HMM模型中的PI、A1、B1。
#include<sys/stat.h>
#include<ctype.h>
#include<gdbm.h>
#include<iostream>
#include<sstream>
#include<fstream>
#include<string>
#include<cstring>
#include<cstdlib>
#include<stack>
using namespace std;
const string DB_FILE_BLOCK="dict_db";
const int WORDS_NUM=4782;
GDBM_FILE dbm_ptr;
double PI[4]; //初始状态概率矩阵
double A[4][4]; //状态转移矩阵
double B[4][WORDS_NUM]; //发射矩阵
/*从文件中读出HMM模型参数*/
void initHMM(string f1,string f2,string f3){
ifstream ifs1(f1.c_str());
ifstream ifs2(f2.c_str());
ifstream ifs3(f3.c_str());
if(!(ifs1 && ifs2 && ifs3)){
cerr<<"Open file failed!"<<endl;
exit(1);
}
//读取PI
string line;
if(getline(ifs1,line)){
istringstream strstm(line);
string word;
for(int i=0;i<4;++i){
strstm>>word;
PI[i]=atof(word.c_str());
}
}else{
cerr<<"Read PI failed!"<<endl;
exit(1);
}
//读取A
for(int i=0;i<4;++i){
getline(ifs2,line);
istringstream strstm(line);
string word;
for(int j=0;j<4;++j){
strstm>>word;
A[i][j]=atof(word.c_str());
}
}
//读取B
for(int i=0;i<4;++i){
getline(ifs3,line);
istringstream strstm(line);
string word;
for(int j=0;j<WORDS_NUM;++j){
strstm>>word;
B[i][j]=atof(word.c_str());
}
}
ifs1.close();
ifs2.close();
ifs3.close();
}
/*Viterbi算法进行分词*/
void viterbi(string sentence,string &result){
if(sentence.size()==0)
return;
result.clear();
int row=sentence.size()/3; //观察序列的长度
double **Q=new double*[row]; //初始化Q矩阵
for(int i=0;i<row;++i)
Q[i]=new double[4]();
int **Path=new int*[row]; //初始化Path矩阵
for(int i=0;i<row;++i)
Path[i]=new int[4]();
//给Q和Path矩阵的第1行赋值
datum key,data;
char chinese[3]={0};
char *bp=const_cast<char*>(sentence.c_str());
strncpy(chinese,bp,3); //读取句子中的第1个汉字
key.dptr=chinese;
key.dsize=3;
data=gdbm_fetch(dbm_ptr,key); //从数据库中获取汉字对应的index，该index对应发射矩阵的列
int colindex=atoi(data.dptr);
for(int i=0;i<4;++i){
Path[0][i]=-1;
Q[0][i]=PI[i]*B[i][colindex];
}
//给Q和Path矩阵的后续行赋值
for(int i=1;i<row;++i){
bp=const_cast<char*>(sentence.c_str()+i*3);
strncpy(chinese,bp,3); //读取句子中的下一个汉字
key.dptr=chinese;
data=gdbm_fetch(dbm_ptr,key);
colindex=atoi(data.dptr);
for(int j=0;j<4;++j){
double max=-1.0;
int maxindex=-1;
for(int k=0;k<4;++k){
double product=Q[i-1][k]*A[k][j];
if(product>max){
max=product;
maxindex=k;
}
}
Q[i][j]=max*B[j][colindex];
Path[i][j]=maxindex;
}
}
//找Q矩阵最后一行的最大值
double max=-1.0;
int maxindex=-1;
for(int i=0;i<4;++i){
if(Q[row-1][i]>max){
max=Q[row-1][i];
maxindex=i;
}
}
//从maxindex出发，根据Path矩阵找出最可能的状态序列
stack<int> st;
st.push(maxindex);
for(int i=row-1;i>0;--i){
maxindex=Path[i][maxindex];
st.push(maxindex);
}
//释放二维数组
for(int i=0;i<row;++i){
delete []Q[i];
delete []Path[i];
}
delete []Q;
delete []Path;
//根据标记好的状态序列分词
int pos=0;
//cout<<sentence<<endl;
while(!st.empty()){
int mark=st.top();
st.pop();
result.insert(result.size(),sentence,pos,3);
if(mark==2 || mark==3){ //状态是E和S
result.append(" ");
}
pos+=3;
}
result.append("\t");
}
int main(int argc,char *argv[]){
if(argc<3){
cout<<"Usage: "<<argv[0]<<" inputfile outputfile"<<endl;
return 1;
}
dbm_ptr = gdbm_open(DB_FILE_BLOCK.c_str(),0,GDBM_READER,S_IRUSR | S_IWUSR,NULL);
initHMM("PI.mat","A1.mat","B1.mat");
ifstream ifs(argv[1]);
ofstream ofs(argv[2]);
if(!(ifs&&ofs)){
cerr<<"Open file failed!"<<endl;
return 1;
}
string line,line_out;
//循环读取每一行
while(getline(ifs,line)){
//cout<<"line="<<line<<endl;
line_out.clear();
istringstream strstm(line);
string sentence;
string result;
while(strstm>>sentence){
//cout<<"sentence="<<sentence<<endl;
viterbi(sentence,result);
line_out+=result;
}
ofs<<line_out<<endl;
}
ifs.close();
ofs.close();
gdbm_close(dbm_ptr);
return 0;
}
对比一下一阶和二阶HMM分词的效果：
左边是二阶，右边是一阶。目测上去似乎是伯仲之间，至少我们写二阶HMM代码的effort并没有paid off。
为了得到精确的数字，我用SCWS分词系统对msr_test进行了分词，以它的结果作为标准答案（即认为SCWS分词精度为100%），用我的HMM分词结果逐字与之对比BMES标记，HMM一阶的精度为：
总共:153769
出错:38330
正确率:0.750729991090532
二阶HMM的分词精度为：
总共:153769
出错:35372
正确率:0.769966638269092
使用CRF++进行分词
使用的template模板为：
U01:%x[0,0]
U02:%x[-1,0]/%x[0,0]
U03:%x[-2,0]/%x[-1,0]/%x[0,0]
U04:%x[0,0]/%x[1,0]
U05:%x[0,0]/%x[1,0]/%x[2,0]
CRF相比于HMM的便利之处就在于你可以任意的定义特征函数。上面template文件中的U02相当于一阶HMM，U03相当于二阶HMM，而U04和U05则认为一个字的tag跟它后面的字也有关系。
训练中一些参数的说明：
ter：迭代次数
terr：标记错误率
serr：句字错误率
obj：当前对象的值。当这个值收敛到一个确定值的时候，训练完成
diff：与上一个对obj之间的相对差
diff非要减小到0.00000CRF++才肯罢休（第92次迭代的时候已经达到了0.00003），迭代次数到达上限105时它终于退出了。
还是以SCWS的分词结果作为标准，CRF++对msr_test的分词准确率为：
总共:153769
出错:17801
正确率:0.884235
下面的awk代码用于统计CRF++的分词准确率
#!/usr/bin/awk -f BEGIN{ total=0; error=0; } $0!~/^$/{ #不能是空行 total++; if($2!=$3){ #第2列和第3列不相同 error++; } } END{ print "总共:" total; print "出错:" error; print "正确率:" (1-error/total); }
本文来自博客园，作者：张朝阳，转载请注明原文链接：https://www.cnblogs.com/zhangchaoyang/articles/2571110.html
