一种利用ngram模型来消除歧义的中文分词方法

这里的 歧义是指：同样的一句话，可能有两种或者更多的切分方法，这些切分结果，有的正确，有的不正确。

消除歧义的目的就是从切分结果中挑选切分正确的。

假设我们要切分句子：结婚的和尚未结婚的，使用 逆向最大匹配和 正向最大匹配算法的结果如下：

逆向最大匹配：[结婚, 的, 和, 尚未, 结婚, 的]
正向最大匹配：[结婚, 的, 和尚, 未结, 婚, 的]

再比如，这几块地面积还真不小：

逆向最大匹配：[这, 几块, 地, 面积, 还真, 不小]
正向最大匹配：[这, 几块, 地面, 积, 还真, 不小]

这里就出现了歧义现象，这种歧义现象称为交集型歧义。

交集型歧义的特点是，其中的一个字既可以和前面的字结合成词，也可以和后面的字结合成词，如上面所说的“和尚未"中尚就是这样的字，既可以和前面的字结合成“和尚”也可以和后面的字结合成“尚未”。还有“地面积”中的面，既可以是地面，也可以是面积。

那么我们该选择哪一个分词结果呢？

我们可以利用ngram模型来消除歧义，我们看第一个例子的分词过程：

初始化bigram
bigram初始化完毕，bigram数据条数：1519443

利用bigram为逆向最大匹配算法的分词结果进行评分：

二元模型 结婚:的 获得分值：16.970562
二元模型 和:尚未 获得分值：2.0
二元模型 尚未:结婚 获得分值：1.4142135
二元模型 结婚:的 获得分值：16.970562

逆向最大匹配：[结婚, 的, 和, 尚未, 结婚, 的] : ngram分值=37.35534

利用bigram为正向最大匹配算法的分词结果进行评分：

二元模型 结婚:的 获得分值：16.970562
二元模型 的:和尚 获得分值：3.0

正向最大匹配：[结婚, 的, 和尚, 未结, 婚, 的] : ngram分值=19.970562

最大分值：37.35534, 消歧结果：[结婚, 的, 和, 尚未, 结婚, 的]

接着看第二个例子：

利用bigram为逆向最大匹配算法的分词结果进行评分：

二元模型 地:面积 获得分值：1.7320508

逆向最大匹配：[这, 几块, 地, 面积, 还真, 不小] : ngram分值=1.7320508

利用bigram为正向最大匹配算法的分词结果进行评分：

正向最大匹配：[这, 几块, 地面, 积, 还真, 不小] : ngram分值=0.0

最大分值：1.7320508, 消歧结果：[这, 几块, 地, 面积, 还真, 不小]

这里要解释的是，ngram中的n>1，我们这里取2(bi)，我们看到bigram中数据的条数有1519443，bigram需要从人工标注的语料库中提取，提取方法参考 word分词项目，bigram中的数据格式如下：

结婚:登记 91
结婚:的 288
地:面积 3
和:尚未 4
尚未:结婚 2
的:和尚 9

表示的含义是在人工标注的语料库中，结婚这个词后面跟着登记这个词的出现次数是91次，结婚这个词后面跟着的这个词的出现次数是288次。

如果ngram中的n为3，则数据格式如下：

结婚:的:事情 3
结婚:的:人 4
结婚:的:信念 2
结婚:的:决定 13

表示的含义和bigram一致。

通过分析bigram和trigram，我们知道，在ngram中，n越大，消歧的效果就越好，但是数据也越大，耗费的内存就更多了。

利用ngram模型来消除歧义，依赖人工标注的语料库，利用了统计学的大数定律，这种方法的缺点在于无法处理少见的语言现象，以及无法处理样本覆盖不到的情况。