python基于隐马尔可夫模型实现中文拼音输入


Posted in Python onApril 01, 2016

在网上看到一篇关于隐马尔科夫模型的介绍,觉得简直不能再神奇,又在网上找到大神的一篇关于如何用隐马尔可夫模型实现中文拼音输入的博客,无奈大神没给可以运行的代码,只能纯手动网上找到了结巴分词的词库,根据此训练得出隐马尔科夫模型,用维特比算法实现了一个简单的拼音输入法。githuh地址:https://github.com/LiuRoy/Pinyin_Demo

原理简介隐马尔科夫模型

抄一段网上的定义:

隐马尔可夫模型 (Hidden Markov Model) 是一种统计模型,用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数,然后利用这些参数来作进一步的分析。

拼音输入法中可观察的参数就是拼音,隐含的参数就是对应的汉字。

viterbi算法

参考https://zh.wikipedia.org/wiki/维特比算法,思想是动态规划,代码比较简单就不赘述。

代码解释

model定义

代码见model/table.py文件,针对隐马尔科夫的三个概率矩阵,分别设计了三个数据表存储。这样的好处很明显,汉字的转移概率矩阵是一个非常大的稀疏矩阵,直接文件存储占用空间很大,并且加载的时候也只能一次性读入内存,不仅内存占用高而且加载速度慢。此外数据库的join操作非常方便viterbi算法中的概率计算。

数据表定义如下:

class Transition(BaseModel):

  __tablename__ = 'transition'

  id = Column(Integer, primary_key=True)
  previous = Column(String(1), nullable=False)
  behind = Column(String(1), nullable=False)
  probability = Column(Float, nullable=False)


class Emission(BaseModel):

  __tablename__ = 'emission'

  id = Column(Integer, primary_key=True)
  character = Column(String(1), nullable=False)
  pinyin = Column(String(7), nullable=False)
  probability = Column(Float, nullable=False)


class Starting(BaseModel):

  __tablename__ = 'starting'

  id = Column(Integer, primary_key=True)
  character = Column(String(1), nullable=False)
  probability = Column(Float, nullable=False)

模型生成

代码见train/main.py文件,里面的initstarting,initemission,init_transition分别对应于生成隐马尔科夫模型中的初始概率矩阵,发射概率矩阵,转移概率矩阵,并把生成的结果写入sqlite文件中。训练用到的数据集是结巴分词里的词库,因为没有训练长句子,最后运行的结果也证明只能适用于短句输入。

初始概率矩阵

统计初始化概率矩阵,就是找出所有出现在词首的汉字,并统计它们出现在词首的次数,最后根据上述数据算出这些汉字出现在词首的概率,没统计的汉字就认为出现在词首的概率是0,不写入数据库。有一点注意的是为了防止概率计算的时候因为越算越小导致计算机无法比较,所有的概率都进行了自然对数运算。统计的结果如下:

python基于隐马尔可夫模型实现中文拼音输入

转移概率矩阵

此处用到的是最简单的一阶隐马尔科夫模型,即认为在一个句子里,每个汉字的出现只和它前面的的一个汉字有关,虽然简单粗暴,但已经可以满足大部分情况。统计的过程就是找出字典中每个汉字后面出现的汉字集合,并统计概率。因为这个概率矩阵非常的大,逐条数据写入数据库过慢,后续可以优化为批量写入,提高训练效率。结果如下:

python基于隐马尔可夫模型实现中文拼音输入

上图展示的一后面出现概率最高的十个字,也挺符合日常习惯。

发射概率矩阵

通俗点就是统计每个汉字对应的拼音以及在日常情况下的使用概率,已暴举例,它有两个读音:bao和pu,难点就是找bao和pu出现的概率。此处统计用到了pypinyin模块,把字典中的短语转换为拼音后进行概率统计,但是某些地方读音也不完全正确,最后运行的输入法会出现和拼音不匹配的结果。统计结果如下:

python基于隐马尔可夫模型实现中文拼音输入

viterbi实现

代码建input_method/viterbi.py文件,此处会找到最多十个局部最优解,注意是十个局部最优解而不是十个全局最优解,但是这十个解中最优的那个是全局最优解,代码如下:

def viterbi(pinyin_list):
  """
  viterbi算法实现输入法

  Aargs:
    pinyin_list (list): 拼音列表
  """
  start_char = Emission.join_starting(pinyin_list[0])
  V = {char: prob for char, prob in start_char}

  for i in range(1, len(pinyin_list)):
    pinyin = pinyin_list[i]

    prob_map = {}
    for phrase, prob in V.iteritems():
      character = phrase[-1]
      result = Transition.join_emission(pinyin, character)
      if not result:
        continue

      state, new_prob = result
      prob_map[phrase + state] = new_prob + prob

    if prob_map:
      V = prob_map
    else:
      return V
  return V

结果展示

运行input_method/viterbi.py文件,简单的展示一下运行结果:

python基于隐马尔可夫模型实现中文拼音输入

问题统计:

统计字典生成转移矩阵写入数据库的速度太慢,运行一次要将近十分钟。发射概率矩阵数据不准确,总有一些汉字的拼音不匹配。训练集太小,实现的输入法不适用于长句子。

Python 相关文章推荐
零基础写python爬虫之抓取糗事百科代码分享
Nov 06 Python
讲解Python中if语句的嵌套用法
May 14 Python
浅谈numpy中linspace的用法 (等差数列创建函数)
Jun 07 Python
Python实现获取照片拍摄日期并重命名的方法
Sep 30 Python
Python matplotlib绘图可视化知识点整理(小结)
Mar 16 Python
Python3.4学习笔记之 idle 清屏扩展插件用法分析
Mar 01 Python
TENSORFLOW变量作用域(VARIABLE SCOPE)
Jan 10 Python
使用OpenCV对车道进行实时检测的实现示例代码
Jun 19 Python
Django如何实现密码错误报错提醒
Sep 04 Python
Python 使用office365邮箱的示例
Oct 29 Python
vue.js刷新当前页面的实例讲解
Dec 29 Python
python tkinter模块的简单使用
Apr 07 Python
Python使用BeautifulSoup库解析HTML基本使用教程
Mar 31 #Python
Python使用Mechanize模块编写爬虫的要点解析
Mar 31 #Python
Python语言实现获取主机名根据端口杀死进程
Mar 31 #Python
Linux中Python 环境软件包安装步骤
Mar 31 #Python
Python内置的HTTP协议服务器SimpleHTTPServer使用指南
Mar 30 #Python
横向对比分析Python解析XML的四种方式
Mar 30 #Python
python简单实现刷新智联简历
Mar 30 #Python
You might like
xajax写的留言本
2006/11/25 PHP
php Ubb代码编辑器函数代码
2012/07/05 PHP
linux命令之调试工具strace的深入分析
2013/06/03 PHP
使用PHPMailer发送邮件实例
2017/02/15 PHP
ThinkPHP框架实现的微信支付接口开发完整示例
2019/04/10 PHP
Javascript 获取链接(url)参数的方法[正则与截取字符串]
2010/02/09 Javascript
JS链式调用的实现方法
2013/03/07 Javascript
理解 JavaScript Scoping & Hoisting(二)
2015/11/18 Javascript
Jquery ajax基础教程
2015/11/20 Javascript
jQuery实现div拖拽效果实例分析
2016/02/20 Javascript
javascript加减乘除的简单实例
2016/07/12 Javascript
简单理解vue中track-by属性
2016/10/26 Javascript
jQuery Pagination分页插件使用方法详解
2017/02/28 Javascript
JS运动特效之任意值添加运动的方法分析
2018/01/24 Javascript
微信小程序使用wx.request请求服务器json数据并渲染到页面操作示例
2019/03/30 Javascript
零基础写python爬虫之使用urllib2组件抓取网页内容
2014/11/04 Python
Python数据结构与算法之图的基本实现及迭代器实例详解
2017/12/12 Python
Python Web程序部署到Ubuntu服务器上的方法
2018/02/22 Python
python简单操作excle的方法
2018/09/12 Python
用Python实现筛选文件脚本的方法
2018/10/27 Python
pyinstaller 3.6版本通过pip安装失败的解决办法(推荐)
2020/01/18 Python
python字符串常用方法及文件简单读写的操作方法
2020/03/04 Python
Python稀疏矩阵及参数保存代码实现
2020/04/18 Python
用pandas划分数据集实现训练集和测试集
2020/07/20 Python
Django nginx配置实现过程详解
2020/09/10 Python
Scrapy爬虫文件批量运行的实现
2020/09/30 Python
Python3中FuzzyWuzzy库实例用法
2020/11/18 Python
html5 canvas绘制放射性渐变色效果
2018/01/04 HTML / CSS
意大利中国电子产品购物网站:Geekmall.com
2019/09/30 全球购物
税务专业毕业生自荐信
2013/11/10 职场文书
《月迹》教学反思
2014/02/19 职场文书
高中教师评语大全
2014/04/25 职场文书
高校教师个人工作总结2014
2014/12/17 职场文书
公司开业主持词
2015/07/02 职场文书
村主任当选感言
2015/08/01 职场文书
2019年度政务公开考核工作总结模板
2019/11/11 职场文书