NLP学习记录（七）中文分词_n元语法分词算法

一、分词的困难

- 分词规范化的的问题
1. 单字词与词素主机的划界
2. 短语划界
3. “二字词或三字词”，以及结合紧密，使稳定的二字次或三字词一律划分为词单位

- 歧义切分问题
1. 交集型切分歧义
2. 组合型切分歧义
3. 多义组合型切分歧义

- 未登录词的问题
1. 人名、地名、组织名
2. 新出的词汇
3. 术语、俗语、命名体识别

二、 分词的方法

1. 正向最大匹配（FMM）
假设分词词典中的最长词由i个汉字字符组成，则 用被处理文档的当前字符串中前i个字作为匹配 字段查找词典。若词典中存在这样一个字词，则 匹配成功，匹配字段作为一个词被切分出来，否则 匹配失败。应将匹配字段中的最后一个字去掉， 对剩下的字串重新进行匹配处理。如此进行下 去，直到匹配成功。然后取下一个字字串进行匹 配处理，直到文档被扫描完为止。
参考博客：https://blog.csdn.net/AimeeLee01/article/details/48881543
2. 逆向最大匹配（BMM）
逆向最大匹配分词是中文分词基本算法之一，因为是机械切分，所以它也有分词速度快的优点，且逆向最大匹配分词比起正向最大匹配分词更符合人们的语言习惯。逆向最大匹配分词需要在已有词典的基础上，从被处理文档的末端开始匹配扫描，每次取最末端的i个字符（分词所确定的阈值i）作为匹配字段，若匹配失败，则去掉匹配字段最前面的一个字，继续匹配。而且选择的阈值越大，分词越慢，但准确性越好
参考博客：https://blog.csdn.net/lalalawxt/article/details/75477931
3. 双向匹配
将正向最大匹配与逆向最大匹配两种算法都切一遍，然后根据大颗粒度词越多越好，非词典词和单字词越少越好的原则，选取其中一种分词结果输出。
参考博客：http://blog.sina.com.cn/s/blog_53daccf401011t74.html
4. 逐词遍历
5. 基于词表的分类

三、汉语分词的方法介绍

1. N-最短路径方法
该算法算法基本思想很简单，就是给定一待处理字串，根据词典，找出词典中所有可能的词，构造出字串的一个有向无环图，算出从开始到结束所有路径中最短的前N条路径。因为允许相等长度的路径并列，故最终的结果集合会大于或等于N。
参考博客：https://blog.csdn.net/shijing_0214/article/details/51494034
2. 基于词的N元语法模型(n-gram)的汉语分词方法
n-gram是一种统计语言模型，用来根据前(n-1)个item来预测第n个item。在应用层面，这些item可以是音素（语音识别应用）、字符（输入法应用）、词（分词应用）或碱基对（基因信息）。一般来讲，可以从大规模文本或音频语料库生成n-gram模型。
参考博客：https://blog.csdn.net/ahmanz/article/details/51273500
3. 由字构成的汉语分词方法
基于字标注的方法的实际上是构词方法，即把分词过程视为字在一串字的序列中的标注问题。由于每个字在构造成词的时候，都有一个确定的位置。也即对于词中的一个字来说，它只能是词首字、词中字、词尾字或单字词一个身份。
字构成词的位置（词位）
B–词首 词中–M
E–词尾 单字词–S
4. 基于词感知机算法的汉语分词方法
感知器算法是一个可以解决二分类问题的线性分类模型，其模型对于我这样一个初学者来说都是很容易就可以理解的。基础的二分类感知器这里不再多做介绍，我们把目光转向分词算法所需的多类感知器算法身上。

多类感知器是感知器算法用于解决多类分类问题时的一个扩展，它的主要思想是：用多个感知器去进行多类分类，但每个感知器只将一类目标视为正例，而其他的目标均视为负例。
参考博客：https://blog.csdn.net/noter16/article/details/53501843
5. 基于字的生成式模型和区分式模型相结合的汉语分词方法