开源中文分词工具探析(三):Ansj

时间:2022-03-15 00:25:37

Ansj是由孙健(ansjsun)开源的一个中文分词器,为ICTLAS的Java版本,也采用了Bigram + HMM分词模型(可参考我之前写的文章):在Bigram分词的基础上,识别未登录词,以提高分词准确度。虽然基本分词原理与ICTLAS的一样,但是Ansj做了一些工程上的优化,比如:用DAT高效地实现检索词典、邻接表实现分词DAG、支持自定义词典与自定义消歧义规则等。


【开源中文分词工具探析】系列:

  1. 开源中文分词工具探析(一):ICTCLAS (NLPIR)
  2. 开源中文分词工具探析(二):Jieba
  3. 开源中文分词工具探析(三):Ansj
  4. 开源中文分词工具探析(四):THULAC
  5. 开源中文分词工具探析(五):FNLP
  6. 开源中文分词工具探析(六):Stanford CoreNLP
  7. 开源中文分词工具探析(七):LTP

1. 前言

Ansj支持多种分词方式,其中ToAnalysis为店长推荐款:

它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.如果你初次尝试Ansj如果你想开箱即用.那么就用这个分词方式是不会错的.

因此,本文将主要分析ToAnalysis的分词实现(基于ansj-5.1.0版本)。

ToAnalysis继承自抽象类org.ansj.splitWord.Analysis,重写了抽象方法getResult。其中,分词方法的依赖关系:ToAnalysis::parse -> Analysis::parseStr -> Analysis::analysisStr。analysisStr方法就干了两件事:

  1. 按照消歧义规则分词;
  2. 在此基础上,按照核心词典分词;

analysisStr方法的最后调用了抽象方法getResult,用于对分词DAG的再处理;所有的分词类均重写这个方法。为了便于理解ToAnalysis分词,我用Scala 2.11重写了:

import java.util

import org.ansj.domain.{Result, Term}
import org.ansj.recognition.arrimpl.{AsianPersonRecognition, ForeignPersonRecognition, NumRecognition, UserDefineRecognition}
import org.ansj.splitWord.Analysis
import org.ansj.util.TermUtil.InsertTermType
import org.ansj.util.{Graph, NameFix} /**
* @author rain
*/
object ToAnalysis extends Analysis {
def parse(sentence: String): Result = {
parseStr(sentence)
} override def getResult(graph: Graph): util.List[Term] = {
// bigram分词
graph.walkPath() // 数字发现
if (isNumRecognition && graph.hasNum)
new NumRecognition().recognition(graph.terms)
// 人名识别
if (graph.hasPerson && isNameRecognition) {
// 亚洲人名识别
new AsianPersonRecognition().recognition(graph.terms)
// 词黏结后修正打分, 求取最优路径
graph.walkPathByScore()
NameFix.nameAmbiguity(graph.terms)
// 外国人名识别
new ForeignPersonRecognition().recognition(graph.terms)
graph.walkPathByScore()
} // 用户自定义词典的识别
new UserDefineRecognition(InsertTermType.SKIP, forests: _*).recognition(graph.terms)
graph.rmLittlePath()
graph.walkPathByScore() import scala.collection.JavaConversions._
val terms = graph.terms
new util.ArrayList[Term](terms.take(terms.length - 1).filter(t => t != null).toSeq)
}
}

如果没看懂,没关系,且看下小节分解。

2. 分解

分词DAG

分词DAG是由类org.ansj.util.Graph实现的,主要的字段termsorg.ansj.domain.Term数组。其中,类Term为DAG的节点,字段包括:offe首字符在句子中的位置、name为词,next具有相同首字符的节点、from前驱节点、score打分。仔细看源码容易发现DAG是用邻接表(array + linked-list)方式所实现的。

Bigram模型

Bigram模型对应于一阶Markov假设,词只与其前面一个词相关,其对应的分词模型:

\begin{equation}

\arg \max \prod_{i=1}^m P(w_{i} | w_{i-1}) = \arg \min - \sum_{i=1}^m \log P(w_{i} | w_{i-1})

\label{eq:bigram}

\end{equation}

对应的词典为bigramdict.dic,格式如下:

始##始@和	11
和@尚 1
和@尚未 1
世纪@末##末 3
...

初始状态\(w_0\)对应于Bigram词典中的“始##始”,\(w_{m+1}\)对应于“末##末”。Bigram分词的实现为Graph::walkPath函数:

/**
* bigram分词
* @param relationMap 干涉性打分, key为"first_word \tab second_word", value为干涉性score值
*/
public void walkPath(Map<String, Double> relationMap) {
Term term = null;
// 给terms[0] bigram打分, 且前驱节点为root_term "始##始"
merger(root, 0, relationMap);
// 从第一个字符开始往后更新打分
for (int i = 0; i < terms.length; i++) {
term = terms[i];
while (term != null && term.from() != null && term != end) {
int to = term.toValue();
// 给terms[to] bigram打分, 更新最小非零score值对应的term为前驱
merger(term, to, relationMap);
term = term.next();
}
}
// 求解最短路径
optimalRoot();
}

对条件概率\(P(w_{i} | w_{i-1})\)做如下的平滑处理:

\[\begin{aligned}
- \log P(w_{i} | w_{i-1}) & \approx - \log \left[ aP(w_{i-1}) + (1-a) P(w_{i}|w_{i-1}) \right] \\
& \approx - \log \left[ a\frac{f(w_{i-1})}{N} + (1-a) \left( \frac{(1-\lambda)f(w_{i-1},w_i)}{f(w_{i-1})} + \lambda \right) \right]
\end{aligned}
\]

其中,\(a=0.1\)为平滑因子,\(N=2079997\)为训练语料中的总词数,\(\lambda = \frac{1}{N}\)。上述平滑处理实现函数为MathUtil.compuScore

求解式子\eqref{eq:bigram}的最优解等价于求解分词DAG的最短路径。Ansj采用了类似于Dijkstra的动态规划算法(作者称之为Viterbi算法)来求解最短路径。记\(G=(V,E)\)为分词DAG,其中边\((u,v) \in E\)满足如下性质:

\[v > u, \quad \forall \ (u,v) \in E
\]

即DAG顶点的序号的顺序与图流向是一致的。这个重要的性质确保了(按Graph.terms[]的index依次递增)用动态规划求解最短路径的正确性。用\(d_i\)标记源节点到节点\(i\)的最短距离,则有递推式:

\[d_i = \min_{(j,i) \in E} \ \{ d_j+ b_{(j,i)} \}
\]

其中,\(b_{(j,i)}\)为两个相邻词的条件概率的负log值-$ \log P(w_{i} | w_{j})$。上述实现请参照源码Graph::walkPathGraph::optimalRoot

自定义词典

Ansj支持自定义词典分词,是通过词黏结的方式——如果相邻的词黏结后正好为自定义词典中的词,则可以被分词——实现的。换句话说,如果自定义的词未能完全覆盖相邻词,则不能被分词。举个例子:

import scala.collection.JavaConversions._
val sentence = "倒模,替身算什么?钟汉良、ab《孤芳不自赏》抠图来充数"
println(ToAnalysis.parse(sentence).mkString(" "))
// 倒/v 模/ng ,/w 替身/n 算/v 什么/r ?/w 钟汉良/nr 、/w ab/en 《/w 孤芳/nr 不/d 自赏/v 》/w 抠/v 图/n 来/v 充数/v DicLibrary.insert(DicLibrary.DEFAULT, "身算")
DicLibrary.insert(DicLibrary.DEFAULT, "抠图")
println(ToAnalysis.parse(sentence).mkString(" "))
// 倒/v 模/ng ,/w 替身/n 算/v 什么/r ?/w 钟汉良/nr 、/w ab/en 《/w 孤芳/nr 不/d 自赏/v 》/w 抠图/userDefine 来/v 充数/v

3. 参考资料

[1] goofyan, ansj词典加载及简要分词过程.