非主流自然语言处理：大规模语料词库自动生成

一、前言

　　写这篇文时，突然想到一个问题，大家的词库都是从哪来的？ 　　之所以会这么有些意外的问，是因为从没把词库当成个事儿：平时处理微博，就用程序跑一下微博语料获得微博词库；处理新闻，程序跑一下新闻语料获得新闻词库。甚至没有把跑出来的词库存下来的习惯，谁知道过两天是不是又出什么新词，与其用可能过时的，不如随手生成个新鲜出炉的。

　　好吧，我承认我这是在显摆。如果你也想和我一样，想要随用随丢，任性它一把，那随我来。

　　如果你只想要这样一个程序，可以直奔这里下载。

回复公众号"词库"获取。 　　如果你想亲手写一个，那也没什么，百来行代码的事儿。

　　好，咱们言归正传。

二、词库生成

　　1、算法分析，先来考虑以下几个问题

　　　　问：目标是从文本中抽取词语，是否可以考虑使用遗忘的方法呢？

　　　　答：可以，词语具备以相对稳定周期重复再现的特征，所以可以考虑使用遗忘的方法。这意味着，我们只需要找一种适当的方法，将句子划分成若干子串，这些子串即为“候选词”。在遗忘的作用下，如果“候选词”会周期性重现，那么它就会被保留在词库中，相反如果只是偶尔或随机出现，则会逐渐被遗忘掉。

　　　　问：那用什么方法来把句子划分成子串比较合适呢？

　　　　答：考察句中任意相邻的两个字，相邻两字有两种可能：要么同属于一个共同的词，要么是两个词的边界。我们都会有这样一种感觉，属于同一个词的相邻两字的“关系”肯定比属于不同词的相邻两字的“关系”要强烈一些。

　　　　数学中并不缺少刻划“关系”的模型，这里我们选择公式简单并且参数容易统计的一种：如果两个字共现的概率大于它们随机排列在一起的概率，那么我们认为这两个字有关，反之则无关。

　　　　如果相邻两字无关，就可以将两字中间断开。逐字扫描句子，如果相邻两字满足下面的公式，则将两字断开，如此可将句子切成若干子串，从而获得“候选词”集，判断公式如下图所示：

　　　　公式中所需的参数可以通过统计获得：遍历一次语料，即可获得公式中所需的“单字的频数”、“相邻两字共现的频数”，以及“所有单字的频数总和”。

　　　　问：如何计算遗忘剩余量？

　　　　答：使用牛顿冷却公式，各参数在遗忘算法中的含义，如下图所示：

　　　　牛顿冷却公式的详情说明，可以参考阮一峰老师的博文《基于用户投票的排名算法（四）：牛顿冷却定律》。

　　　　问：参数中时间是用现实时间吗，遗忘系数取多少合适呢？

　　　　答：a、关于时间：

　　　　　　可以使用现实时间，遗忘的发生与现实同步。

　　　　　　也可以考虑用处理语料中对象的数量来代替，这样仅当有数据处理时，才会发生遗忘。比如按处理的字数为计时单位，人阅读的速度约每秒5至7个字，当然每个人的阅读速度并不相同，这里的参数值要求并不需要特别严格。

　　　　　　b、遗忘系数可以参考艾宾浩斯曲线中的实验值，如下图（来自互联网）

　　　　　　我们取6天记忆剩余量约为25.4%这个值，按每秒阅读7个字，将其代入牛顿冷却公式可以求得遗忘系数：

　　　　　　注意艾宾浩斯曲线中的每组数值代入公式，所得的系数并不相同，会对词库的最大有效容量产生影响。

　　2、算法的代码实现（C#版）

　　　　呼，算法分析完成，相比于上面的文档，还是写代码要容易的多。

　　　　2.1、候选词生成

[csharp] view plain copy

1. /// <summary>
2. /// 从文本中生成候选词
3. /// </summary>
4. /// <param name="text">文本行</param>
5. /// <param name="objCharBondColl">相邻字典</param>
6. /// <param name="objKeyWordColl">词库</param>
7. /// <param name="bUpdateCharBondColl">是否更新相邻字典</param>
8. /// <param name="bUpdateKeyWordColl">是否更新词库</param>
9. public static void UpdateKeyWordColl(string text, MemoryBondColl<string> objCharBondColl, MemoryItemColl<string> objKeyWordColl, bool bUpdateCharBondColl = true, bool bUpdateKeyWordColl = true)
10. {
11. if (String.IsNullOrEmpty(text)) return;
13. StringBuilder buffer = new StringBuilder();//用于存放连续的子串
14. string keyHead = text[0].ToString(); //keyHead、keyTail分别存放相邻的两个字符
15. buffer.Append(keyHead);
16. for (int k = 1; k < text.Length; k++) //遍历句子中的每一个字符
17. {
19. //从句子中取一个字作为相邻两字的尾字
20. string keyTail = text[k].ToString();
21. if (bUpdateCharBondColl)
22. {
23. //更新相邻字典
24. DictionaryDAL.UpdateMemoryBondColl<string>(keyHead, keyTail, objCharBondColl);
25. }
26. if (bUpdateKeyWordColl)
27. {
28. //判断相邻两字是否有关
29. if (!DictionaryDAL.IsBondValid<string>(keyHead, keyTail, objCharBondColl ) )
30. {
31. //两字无关，则将绥中的字串取出，此即为候选词
32. string keyword = buffer.ToString();
33. //将候选词添加到词库中
34. DictionaryDAL.UpdateMemoryItemColl<string>(keyword, objKeyWordColl);
35. //清空缓冲
36. buffer.Clear();
37. //并开始下一个子串
38. buffer.Append(keyTail);
39. }
40. else
41. {
42. //两个字有关，则将当前字追加至串缓冲中
43. buffer.Append(keyTail);
44. }
45. }
46. //将当前的字作为相邻的首字
47. keyHead = keyTail;
48. }
49. }

　　　　2.2、相邻字统计

[csharp] view plain copy

1. /// <summary>
2. /// 相邻字统计
3. /// </summary>
4. /// <param name="text">文本行</param>
5. /// <param name="objCharBondColl">存放相邻结果的字典</param>
6. /// <remarks>遍历句中相邻的字，将结果存放到字典中</remarks>
7. public static void UpdateCharBondColl(string text, MemoryBondColl<string> objCharBondColl)
8. {
9. if (String.IsNullOrEmpty(text)) return;
10. string keyHead = text[0].ToString();
11. for (int k = 1; k < text.Length; k++)
12. {
13. string keyTail = text[k].ToString();
14. //存入相邻字典中
15. DictionaryDAL.UpdateMemoryBondColl<string>(keyHead, keyTail, objCharBondColl);
16. keyHead = keyTail;
17. }
18. }

　　　　2.3、切片算法

[csharp] view plain copy

1. /// <summary>
2. /// 判断键是否为有效关联键
3. /// </summary>
4. /// <typeparam name="T">C#中的范型，具体类型由调用者传入</typeparam>
5. /// <param name="keyHead">相邻键中首项</param>
6. /// <param name="keyTail">相邻键中尾项</param>
7. /// <param name="objMemoryBondColl">相邻字典</param>
8. /// <returns>返回是否判断的结果：true、相邻项有关；false、相邻项无关</returns>
9. /// <remarks>判断标准：共享键概率 > 单字概率之积 </remarks>
10. public static bool IsBondValid<T>(T keyHead, T keyTail, MemoryBondColl<T> objMemoryBondColl )
11. {
12. //如果相邻项任何一个不在相邻字典中，则返回false 。
13. if (!objMemoryBondColl.Contains(keyHead) || !objMemoryBondColl.Contains(keyTail)) return false;
15. //分别获得相邻单项的频次
16. double dHeadValidCount = CalcRemeberValue<T>(keyHead, objMemoryBondColl);
17. double dTailValidCount = CalcRemeberValue<T>(keyTail, objMemoryBondColl);
18. //获得相邻字典全库的总词频
19. double dTotalValidCount = objMemoryBondColl.MinuteOffsetSize;
21. if (dTotalValidCount <= 0) return false;
23. //获得相邻项共现的频次
24. MemoryItemColl<T> objLinkColl = objMemoryBondColl[keyHead].LinkColl;
25. if (!objLinkColl.Contains(keyTail)) return false;
26. double dShareValidCount = CalcRemeberValue<T>(keyTail, objLinkColl);
28. //返回计算的结果
29. return dShareValidCount / dHeadValidCount > dTailValidCount / dTotalValidCount;
31. }

　　　　2.4、牛顿冷却公式

[csharp] view plain copy

1. /// <summary>
2. /// 牛顿冷却公式
3. /// </summary>
4. /// <param name="parameter">冷却系数</param>
5. /// <param name="interval">时间间隔</param>
6. /// <returns></returns>
7. /// <remarks>
8. /// 建议遗忘系数：-Math.Log(0.254, Math.E) / (6天 * 24小时 * 60分钟 *60秒 *7每秒阅读字数);
9. /// </remarks>
10. public static double CalcNetonCooling(double parameter, double interval)
11. {
12. return Math.Exp(-1 * parameter * interval);
13. }

　　　　2.5、遗忘是在词入库的时候计算的（其实算法核心仅此一行）

[csharp] view plain copy

1. /// <summary>
2. /// 将候选项添加到词典中
3. /// </summary>
4. /// <typeparam name="T">C#中的泛型，具体类型由调用者传入</typeparam>
5. /// <param name="keyItem">候选项</param>
6. /// <param name="objMemoryItemColl">候选项词典</param>
7. public static void UpdateMemoryItemColl<T>(T keyItem, MemoryItemColl<T> objMemoryItemColl)
8. {
10. if (!objMemoryItemColl.Contains(keyItem))
11. {
12. //如果词典中不存在该候选项
14. //声明数据对象，用于存放候选项及其相关数据
15. MemoryItemMDL<T> mdl = new MemoryItemMDL<T>();
16. mdl.Key = keyItem;//候选项
17. mdl.TotalCount = 1;//候选项出现的物理次数
18. mdl.ValidCount = 1;//边遗忘边累加共同作用下的有效次数
19. mdl.ValidDegree = 1;//该词的成熟度
20. objMemoryItemColl.Add(mdl);//添加至词典中
21. }
22. else
23. {
24. //如果词典中已包含该候选项
26. //从词典中取出该候选项
27. MemoryItemMDL<T> mdl = objMemoryItemColl[keyItem];
28. //计算从最后一次入库至现在这段时间剩余量系数
29. double dRemeberValue = MemoryDAL.CalcRemeberValue(objMemoryItemColl.OffsetTotalCount - mdl.UpdateOffsetCount, objMemoryItemColl.MinuteOffsetSize);
30. mdl.TotalCount += 1;//累加总计数
31. //计算成熟度，嗯，这个公式写的比较乱，我自己现在看都有点头晕，看不懂算了，改天琢磨换个公式
32. mdl.ValidDegree = mdl.ValidDegree * ((mdl.ValidCount * dRemeberValue) / (mdl.ValidCount * dRemeberValue + 1)) + (1 - mdl.ValidCount * (1 - dRemeberValue)) * (1 / (mdl.ValidCount * dRemeberValue + 1));
33. mdl.ValidCount =mdl.ValidCount* dRemeberValue+ 1;// 遗忘累频=记忆保留量+1
34. mdl.UpdateOffsetCount = objMemoryItemColl.OffsetTotalCount;//更新时的偏移量（相当于记录本次入库的时间）
35. }
37. objMemoryItemColl.OffsetTotalCount += 1;//处理过的数据总量（相当于一个全局的计时器）
38. }

　　　　2.6、按词权重排序显示词库（词的权重将在后面的文章中详解）

[csharp] view plain copy

1. /// <summary>
2. /// 按权重排序输出词库
3. /// </summary>
4. /// <param name="objMemoryItemColl">词库</param>
5. /// <param name="nKeyWordTopCount">输出词的数量</param>
6. /// <param name="bIsOnlyWord">是否仅输出词</param>
7. /// <returns>输出的结果</returns>
8. public static string ShowKeyWordWeightColl(MemoryItemColl<string> objMemoryItemColl, int nKeyWordTopCount, bool bIsOnlyWord = true)
9. {
10. StringBuilder sb = new StringBuilder();
11. sb.AppendLine(String.Format(" 【{0}】 | {1} | {2} | {3}", "主词", "遗忘词频", "累计词频", "词权值"));
13. var tbuffer = from x in objMemoryItemColl
14. //如果只显示词，则要求：长度大于1，且不包含符号
15. where !bIsOnlyWord || x.Key.Length > 1 && !Regex.IsMatch(x.Key,@"\p{P}")
16. //按权重排序
17. orderby x.ValidCount <= 0 ? 0 : (x.ValidCount )* (Math.Log(objMemoryItemColl.MinuteOffsetSize) - Math.Log(x.ValidCount)) descending
18. select x;
19. var buffer = (tbuffer).Take(nKeyWordTopCount);
20. sb.AppendLine(String.Format("================ 共{0} 个 ================== ", buffer.Count()));
21. //逐词输出，每个词一行
22. foreach (var x in buffer)
23. {
24. sb.AppendLine(String.Format(" 【{0}】 | {1} | {2} | {3}", x.Key, Math.Round(DictionaryDAL.CalcRemeberValue<string>(x.Key, objMemoryItemColl), 2), x.TotalCount, Math.Round((x.ValidCount <= 0 ? 0 : (x.ValidCount ) * (Math.Log(objMemoryItemColl.MinuteOffsetSize) - Math.Log(x.ValidCount))), 4)));
25. }
26. return sb.ToString();
27. }

　　　　2.7、清理词频低于阀值的词

[csharp] view plain copy

1. /// <summary>
2. /// 清理集合，移除低于阈值的项
3. /// </summary>
4. /// <typeparam name="T">C#中的泛型，具体类型由调用者传入</typeparam>
5. /// <param name="objMemoryItemColl">词库</param>
6. /// <param name="dMinValidValue">阈值，默认值相当于至少1个记忆周期时间内，未曾再次出现</param>
7. public static void ClearMemoryItemColl<T>(MemoryItemColl<T> objMemoryItemColl,double dMinValidValue=1.25)
8. {
10. for (int k = objMemoryItemColl.Count - 1; k >= 0; k--)
11. {
12. //此处使用最后一次的计数即可，无需计算当前剩余值
13. //double dValidValue = CalcRemeberValue<T>(objMemoryItemColl[k].Key, objMemoryItemColl);
14. //if (dValidValue < dMinVaildValue) objMemoryItemColl.RemoveAt(k);
16. if (objMemoryItemColl[k].ValidCount < dMinValidValue) objMemoryItemColl.RemoveAt(k);
17. }
18. }

　　3、该算法生成词库的特点

　　　　3.1、无监督学习

　　　　3.2、O(N)级时间复杂度

　　　　3.3、训练、执行为同一过程，可无缝处理流式数据

　　　　3.4、未登录词、新词、登录词没有区别

　　　　3.5、领域自适应：领域变化时，词条、词频自适应的随之调整

　　　　3.6、算法中仅使用到频数这一语言的共性特征，无需对任何字符做特别处理，因此原理上跨语种。

三、词库成熟度

　　由于每个词都具备一个相对稳定的重现周期，不难证明，当训练语料达到一定规模后，在遗忘的作用下，每个词的词频在衰减和累加会达到平衡，也即衰减的速度与增加的速度基本一致。成熟的词库，词频的波动就会比较小，利用这个特征，我们可以衡量词库的成熟程度。

　　词频的这种波动也有一些妙用，比如：微博中重复发的广告、突然暴发的热点事件等情况，都会因词频的非正常变化而导致这些词的成熟度变低。

　　鉴于目前所用的模型，属于顺手写的，算不上满意，也没在这块花精力，这里就不再细讲。源代码中包含具体的方法，算是抛砖引玉，哪位兄弟找到更好的模型公式，记得跟俺说一声。

　　修改说明，上传的代码中，成熟度公式修改为：

[csharp] view plain copy

1. /// <summary>
2. /// 计算当前关键词的成熟度
3. /// </summary>
4. /// <typeparam name="T">泛型，具体类别由调用者传入</typeparam>
5. /// <param name="mdl">待计算的对象</param>
6. /// <param name="dRemeberValue">记忆剩余量系数</param>
7. /// <returns>当前成熟度</returns>
8. /// <remarks>
9. /// 1、成熟度这里用对象遗忘与增加的量的残差累和来表征；
10. /// 2、已经累计的残差之和会随时间衰减；
11. /// 3、公式的意思是： 成熟度 = 成熟度衰减剩余量 + 本次遗忘与增加量的残差的绝对值
12. /// </remarks>
13. public static double CalcValidDegree<T>(MemoryItemMDL<T> mdl, double dRemeberValue)
14. {
15. return mdl.ValidDegree * dRemeberValue + Math.Abs(1 - mdl.ValidCount * (1 - dRemeberValue));
16. }

四、演示程序下载

回复公众号"词库"获取。

　　使用内附语料（在“可直接运行的演示程序”下可以找到）生成词库效果图如下：