专栏名称: 大数据挖掘DT数据分析

实战数据资源提供。数据实力派社区，手把手带你玩各种数据分析，涵盖数据分析工具使用，数据挖掘算法原理与案例，机器学习，R语言，Python编程，爬虫。如需发布广告请联系： hai299014

非主流自然语言处理：大规模语料词库自动生成

大数据挖掘DT数据分析 · 公众号 · 大数据 · 2017-07-15 20:35

正文

请到「今天看啥」查看全文

数据挖掘入门与实战公众号： datadw

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

///
/// 从文本中生成候选词
///
/// 文本行
/// 相邻字典
/// 词库
/// 是否更新相邻字典
/// 是否更新词库
public static void UpdateKeyWordColl( string text, MemoryBondColl< string > objCharBondColl, MemoryItemColl< string > objKeyWordColl, bool bUpdateCharBondColl = true , bool bUpdateKeyWordColl = true )
{
if (String.IsNullOrEmpty(text)) return ;
StringBuilder buffer = new StringBuilder(); //用于存放连续的子串
string keyHead = text[0].ToString(); //keyHead、keyTail分别存放相邻的两个字符
buffer.Append(keyHead);
for ( int k = 1; k //遍历句子中的每一个字符
{
//从句子中取一个字作为相邻两字的尾字
string keyTail = text[k].ToString();
if (bUpdateCharBondColl)
{
//更新相邻字典
DictionaryDAL.UpdateMemoryBondColl< string >(keyHead, keyTail, objCharBondColl);
}
if (bUpdateKeyWordColl)
{
//判断相邻两字是否有关
if (!DictionaryDAL.IsBondValid< string >(keyHead, keyTail, objCharBondColl ) )
{
//两字无关，则将绥中的字串取出，此即为候选词
string keyword = buffer.ToString();
//将候选词添加到词库中
DictionaryDAL.UpdateMemoryItemColl< string >(keyword, objKeyWordColl);
//清空缓冲
buffer.Clear();
//并开始下一个子串
buffer.Append(keyTail);
}
else
{
//两个字有关，则将当前字追加至串缓冲中
buffer.Append(keyTail);
}
}
//将当前的字作为相邻的首字
keyHead = keyTail;
}
}

2.2、相邻字统计

[csharp] view plain copy

///
/// 相邻字统计
///
/// 文本行
/// 存放相邻结果的字典
/// 遍历句中相邻的字，将结果存放到字典中
public static void UpdateCharBondColl( string text, MemoryBondColl< string > objCharBondColl)
{
if (String.IsNullOrEmpty(text)) return ;
string keyHead = text[0].ToString();
for ( int k = 1; k
{
string keyTail = text[k].ToString();
//存入相邻字典中
DictionaryDAL.UpdateMemoryBondColl< string >(keyHead, keyTail, objCharBondColl);
keyHead = keyTail;
}
}

2.3、切片算法

[csharp] view plain copy

///
/// 判断键是否为有效关联键
///
/// C#中的范型，具体类型由调用者传入
/// 相邻键中首项
/// 相邻键中尾项
/// 相邻字典
/// 返回是否判断的结果：true、相邻项有关；false、相邻项无关
/// 判断标准：共享键概率 > 单字概率之积
public static bool IsBondValid (T keyHead, T keyTail, MemoryBondColl objMemoryBondColl )
{
//如果相邻项任何一个不在相邻字典中，则返回false 。
if (!objMemoryBondColl.Contains(keyHead) || !objMemoryBondColl.Contains(keyTail)) return false ;
//分别获得相邻单项的频次
double dHeadValidCount = CalcRemeberValue (keyHead, objMemoryBondColl);
double dTailValidCount = CalcRemeberValue (keyTail, objMemoryBondColl);
//获得相邻字典全库的总词频
double dTotalValidCount = objMemoryBondColl.MinuteOffsetSize;
if (dTotalValidCount <= 0) return false ;
//获得相邻项共现的频次
MemoryItemColl objLinkColl = objMemoryBondColl[keyHead].LinkColl;
if (!objLinkColl.Contains(keyTail)) return false ;
double dShareValidCount = CalcRemeberValue (keyTail, objLinkColl);
//返回计算的结果
return dShareValidCount / dHeadValidCount > dTailValidCount / dTotalValidCount;
}

2.4、牛顿冷却公式

[csharp] view plain copy

///
/// 牛顿冷却公式
///
/// 冷却系数
/// 时间间隔
///
///
/// 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);
///
public static double CalcNetonCooling( double parameter, double interval)
{
return Math.Exp(-1 * parameter * interval);
}

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

///
/// 将候选项添加到词典中
///
/// C#中的泛型，具体类型由调用者传入
/// 候选项
/// 候选项词典
public static void UpdateMemoryItemColl (T keyItem, MemoryItemColl objMemoryItemColl)
{
if (!objMemoryItemColl.Contains(keyItem))
{
//如果词典中不存在该候选项
//声明数据对象，用于存放候选项及其相关数据
MemoryItemMDL mdl = new MemoryItemMDL ();
mdl.Key = keyItem; //候选项
mdl.TotalCount = 1; //候选项出现的物理次数
mdl.ValidCount = 1; //边遗忘边累加共同作用下的有效次数
mdl.ValidDegree = 1; //该词的成熟度
objMemoryItemColl.Add(mdl); //添加至词典中
}
else
{
//如果词典中已包含该候选项
//从词典中取出该候选项
MemoryItemMDL mdl = objMemoryItemColl[keyItem];
//计算从最后一次入库至现在这段时间剩余量系数
double dRemeberValue = MemoryDAL.CalcRemeberValue(objMemoryItemColl.OffsetTotalCount - mdl.UpdateOffsetCount, objMemoryItemColl.MinuteOffsetSize);
mdl.TotalCount += 1; //累加总计数
//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
mdl.ValidDegree = mdl.ValidDegree * ((mdl.ValidCount * dRemeberValue) / (mdl.ValidCount * dRemeberValue + 1)) + (1 - mdl.ValidCount * (1 - dRemeberValue)) * (1 / (mdl.ValidCount * dRemeberValue + 1));
mdl.ValidCount =mdl.ValidCount* dRemeberValue+ 1; // 遗忘累频=记忆保留量+1
mdl.UpdateOffsetCount = objMemoryItemColl.OffsetTotalCount; //更新时的偏移量（相当于记录本次入库的时间）
}
objMemoryItemColl.OffsetTotalCount += 1; //处理过的数据总量（相当于一个全局的计时器）
}

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

///
/// 按权重排序输出词库
///
/// 词库
/// 输出词的数量
/// 是否仅输出词
/// 输出的结果
public static string ShowKeyWordWeightColl(MemoryItemColl< string > objMemoryItemColl, int nKeyWordTopCount, bool bIsOnlyWord = true )
{
StringBuilder sb = new StringBuilder();
sb.AppendLine(String.Format( " 【{0}】 | {1} | {2} | {3}" , "主词" , "遗忘词频" , "累计词频" , "词权值" ));
var tbuffer = from x in objMemoryItemColl
//如果只显示词，则要求：长度大于1，且不包含符号
where !bIsOnlyWord || x.Key.Length > 1 && !Regex.IsMatch(x.Key,@ "\p{P}" )
//按权重排序
orderby x.ValidCount <= 0 ? 0 : (x.ValidCount )* (Math.Log(objMemoryItemColl.MinuteOffsetSize) - Math.Log(x.ValidCount)) descending
select x;
var buffer = (tbuffer).Take(nKeyWordTopCount);
sb.AppendLine(String.Format( "================ 共{0} 个 ================== " , buffer.Count()));
//逐词输出，每个词一行
foreach (var x in buffer)
{
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)));
}
return sb.ToString();
}

2.7、清理词频低于阀值的词

[csharp] view plain copy

///
/// 清理集合，移除低于阈值的项
///
/// C#中的泛型，具体类型由调用者传入
/// 词库
/// 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
public static void ClearMemoryItemColl (MemoryItemColl objMemoryItemColl, double dMinValidValue=1.25)
{
for ( int k = objMemoryItemColl.Count - 1; k >= 0; k--)
{
//此处使用最后一次的计数即可，无需计算当前剩余值
//double dValidValue = CalcRemeberValue (objMemoryItemColl[k].Key, objMemoryItemColl);
//if (dValidValue
if (objMemoryItemColl[k].ValidCount
}
}

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

///
/// 计算当前关键词的成熟度
///
/// 泛型，具体类别由调用者传入
/// 待计算的对象
/// 记忆剩余量系数
/// 当前成熟度
///
/// 1、成熟度这里用对象遗忘与增加的量的残差累和来表征；
/// 2、已经累计的残差之和会随时间衰减；
/// 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
///
public static double CalcValidDegree (MemoryItemMDL mdl, double dRemeberValue)
{
return mdl.ValidDegree * dRemeberValue + Math.Abs(1 - mdl.ValidCount * (1 - dRemeberValue));
}

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：

数据挖掘入门与实战

搜索添加微信公众号：datadw

教你机器学习，教你数据挖掘

长按图片，识别二维码，点关注

公众号： weic2c
据分析入门与实战

长按图片，识别二维码，点关注