非主流自然语言处理——遗忘算法系列（二）：大规模语料词库生成
非主流自然语言处理——遗忘算法系列（二）：大规模语料词库生成
一、前言
本文介绍利用牛顿冷却模拟遗忘降噪，从大规模文本中无监督生成词库的方法。
二、词库生成
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：
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。
三、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。
四、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，词频的波动相对会比较小，利用这个特征，我们可以衡量词库的成熟程度。
五、源码（C#）、演示程序下载
使用内附语料（在“可直接运行的演示程序”下可以找到）生成词库效果如下：
往期回顾：