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
python 排列组合之itertools
Mar 20 Python
python统计一个文本中重复行数的方法
Nov 19 Python
Python遍历指定文件及文件夹的方法
May 09 Python
有趣的python小程序分享
Dec 05 Python
python实现Windows电脑定时关机
Jun 20 Python
python生成器与迭代器详解
Jan 01 Python
Django对数据库进行添加与更新的例子
Jul 12 Python
python 利用pywifi模块实现连接网络破解wifi密码实时监控网络
Sep 16 Python
Win系统PyQt5安装和使用教程
Dec 25 Python
pytorch中获取模型input/output shape实例
Dec 30 Python
解决python3输入的坑——input()
Dec 05 Python
Python数据分析入门之教你怎么搭建环境
May 13 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
使用PHP下载CSS文件中的图片的代码
2013/09/24 PHP
php实例分享之html转为rtf格式
2014/06/02 PHP
PHP比你想象的好得多
2014/11/27 PHP
ThinkPHP表单数据智能写入create方法实例分析
2015/09/27 PHP
修改Laravel自带的认证系统的User类的命名空间的步骤
2019/10/15 PHP
document对象execCommand的command参数介绍
2006/08/01 Javascript
理解JavaScript中的事件
2006/09/23 Javascript
JAVASCRIPT HashTable
2007/01/22 Javascript
Save a File Using a File Save Dialog Box
2007/06/18 Javascript
一些常用且实用的原生JavaScript函数
2010/09/08 Javascript
ExtJs事件机制基本代码模型和流程解析
2010/10/24 Javascript
分享XmlHttpRequest调用Webservice的一点心得
2012/07/20 Javascript
JQuery ztree带筛选、异步加载实例讲解
2016/02/25 Javascript
javascript中不易分清的slice,splice和split三个函数
2016/03/29 Javascript
JS简单实现DIV相对于浏览器固定位置不变的方法
2016/06/17 Javascript
Vue.js组件tree实现省市多级联动
2016/12/02 Javascript
nodejs进阶(6)—连接MySQL数据库示例
2017/01/07 NodeJs
js 去掉字符串前后空格实现代码集合
2017/03/25 Javascript
详解RequireJS按需加载样式文件
2017/04/12 Javascript
JavaScript运动框架 多值运动(四)
2017/05/18 Javascript
微信小程序点击view动态添加样式过程解析
2020/01/21 Javascript
JS事件循环机制event loop宏任务微任务原理解析
2020/08/04 Javascript
微信小程序实现自定义底部导航
2020/11/18 Javascript
使用python开发vim插件及心得分享
2014/11/04 Python
Python中random模块用法实例分析
2015/05/19 Python
Python线上环境使用日志的及配置文件
2019/07/28 Python
Pytorch GPU显存充足却显示out of memory的解决方式
2020/01/13 Python
基于PyTorch中view的用法说明
2021/03/03 Python
香港永安旅游网:Wing On Travel
2017/04/10 全球购物
台湾最大网路书店:博客来
2018/03/18 全球购物
Charles&Keith美国官方网站:新加坡快时尚鞋类和配饰零售商
2019/11/27 全球购物
丝芙兰意大利官方网站:Sephora.it
2019/12/13 全球购物
十八届三中全会学习方案
2014/02/16 职场文书
垃圾桶标语
2014/06/24 职场文书
2014年公司工作总结
2014/11/22 职场文书
网络新闻该怎么写?这些写作技巧你都知道吗?
2019/08/26 职场文书