一個隱馬爾科夫模型的應用例項:中文分詞

蘆金宇發表於2016-12-24


什麼問題用HMM解決

現實生活中有這樣一類隨機現象,在已知現在情況的條件下,未來時刻的情況只與現在有關,而與遙遠的過去並無直接關係。

比如天氣預測,如果我們知道“晴天,多雲,雨天”之間的轉換概率,那麼如果今天是晴天,我們就可以推斷出明天是各種天氣的概率,接著後天的天氣可以由明天的進行計算。這類問題可以用 Markov 模型來描述。

1479913399-1805-1667471-4cb7da91bb1d5671

 

markov

進一步,如果我們並不知道今天的天氣屬於什麼狀況,我們只知道今明後三天的水藻的乾燥溼潤狀態,因為水藻的狀態和天氣有關,我們想要通過水藻來推測這三天的真正的天氣會是什麼,這個時候就用 Hidden Markov 模型來描述。

1479913399-3486-1667471-d4a84b8eeeb55467

 

hmm

HMM 模型的本質是從觀察的引數中獲取隱含的引數資訊,並且前後之間的特徵會存在部分的依賴影響。

我們從如何進行中文分詞的角度來理解HMM

根據可觀察狀態的序列找到一個最可能的隱藏狀態序列

中文分詞,就是給一個漢語句子作為輸入,以“BEMS”組成的序列串作為輸出,然後再進行切詞,進而得到輸入句子的劃分。其中,B代表該字是詞語中的起始字,M代表是詞語中的中間字,E代表是詞語中的結束字,S則代表是單字成詞。

例如:給個句子

小明碩士畢業於中國科學院計算所

得到BEMS組成的序列為

BEBEBMEBEBMEBES

因為句尾只可能是E或者S,所以得到切詞方式為

BE/BE/BME/BE/BME/BE/S

進而得到中文句子的切詞方式為

小明/碩士/畢業於/中國/科學院/計算/所

這是個HMM問題,因為你想要得到的是每個字的位置,但是看到的只是這些漢字,需要通過漢字來推出每個字在詞語中的位置,並且每個字屬於什麼狀態還和它之前的字有關。
此時,我們需要根據可觀察狀態的序列找到一個最可能的隱藏狀態序列。

五元組,三類問題,兩個假設

五元組

通過上面的例子,我們可以知道 HMM 有以下5個要素。

觀測序列-O:小明碩士畢業於中國科學院計算所

狀態序列-S:BEBEBMEBEBMEBES

初始狀態概率向量-π:句子的第一個字屬於{B,E,M,S}這四種狀態的概率

1479913399-1525-1667471-37482199d652b121

 

 

狀態轉移概率矩陣-A:如果前一個字位置是B,那麼後一個字位置為BEMS的概率各是多少

1479913399-9479-1667471-83a32d984ba45b9f

 

 

觀測概率矩陣-B:在狀態B的條件下,觀察值為耀的概率,取對數後是-10.460

1479913399-1924-1667471-f129b9fcf34374d7

 

 

備註:示例數值是對概率值取對數之後的結果,為了將概率相乘的計算變成對數相加,其中-3.14e+100作為負無窮,也就是對應的概率值是0

三類問題

當通過五元組中某些已知條件來求未知時,就得到HMM的三類問題:

  • 似然度問題:引數(O,π,A,B)已知的情況下,求(π,A,B)下觀測序列O出現的概率。(Forward-backward演算法)
  • 解碼問題:引數(O,π,A,B)已知的情況下,求解狀態值序列S。(viterbi演算法)
  • 學習問題:引數(O)已知的情況下,求解(π,A,B)。(Baum-Welch演算法)

中文分詞這個例子屬於第二個問題,即解碼問題。

我們希望找到 s_1,s_2,s_3,… 使 P (s_1,s_2,s_3,…|o_1,o_2,o_3….) 達到最大。
意思是,當我們觀測到語音訊號 o_1,o_2,o_3,… 時,我們要根據這組訊號推測出傳送的句子 s_1,s_2,s_3,….,顯然,我們應該在所有可能的句子中找最有可能性的一個。

兩個假設

利用貝葉斯公式得到:

1479913399-7841-1667471-80bdef6a9a47373c

 

 

這裡需要用到兩個假設來進一步簡化上述公式

1479913400-8635-1667471-2e78bd7bfaf6781e

 

 

有限歷史性假設: si 只由 si-1 決定

1479913400-5085-1667471-68cc47d35e1089b7

 

 

獨立輸出假設:第 i 時刻的接收訊號 oi 只由傳送訊號 si 決定

1479913400-2239-1667471-78e8f382d60fb756

 

 

有了上面的假設,就可以利用演算法 Viterbi 找出目標概率的最大值。

Viterbi演算法

根據動態規劃原理,最優路徑具有這樣的特性:如果最優路徑從結點 i_{t}^ 到終點 i_{T}^,那麼這兩點之間的所有可能的部分路徑必須是最優的。
依據這一原理,我們只需從時刻 t=1 開始,遞推地計算在時刻 t 狀態為 i 的各條部分路徑的最大概率,直至得到時刻 t=T 狀態為 i 的各條路徑的最大概率 P^,最優路徑的終結點 i_{T}^ 也同時得到。之後,為了找出最優路徑的各個結點,從終結點 i_{T}^ 開始,由後向前逐步求得結點 i_{T-1}^…,i_{1}^,進而得到最優路徑 I^=i_{1}^…,i_{T}^,這就是維特比演算法.

舉個例子:

1479913400-1517-1667471-766ee229905cf1a5

 

 

觀測序列 O=(紅,白,紅),想要求狀態序列S。

需要定義兩個變數:

  • weight[3][3],行3是狀態數(1,2,3),列3是觀察值個數(紅,白,紅)。意思是,在時刻 t 狀態為 i 的所有單個路徑中的概率最大值。
  • path[3][3],意思是,在時刻 t 狀態為 i 的所有單個路徑中概率最大的那條路徑,它的第 t-1 個結點是什麼。比如 path[0][2]=1, 則代表 weight[0][2] 取到最大時,前一個時刻的狀態是 1.

1.初始化

t=1 時的紅,分別是在狀態 1,2,3 的條件下觀察得來的概率計算如下:

1479913400-8694-1667471-31e87442ed2bb31d

 

 

此時 path 的第一列全是 0.

2.遞迴

t=2 時的白,如果此時是在 1 的條件下觀察得來的話,先計算此時狀態最可能是由前一時刻的哪個狀態轉換而來的,取這個最大值,再乘以 1 條件下觀測到 白 的概率,同時記錄 path矩陣:如下圖 weight[0][1]=0.028,此值來源於前一時刻狀態是3,所以,

1479913400-5652-1667471-d785fd792ea8e3bc

 

 
1479913401-8178-1667471-f80f2c547f7dab56

 

 

3.終止

在 t=3 時的最大概率 P^=0.0147,相應的最優路徑的終點是 i_3^=3.

4.回溯

由最優路徑的終點 3 開始,向前找到之前時刻的最優點:

  • 在 t=2 時,因 i_3^=3,狀態 3 的最大概率 P=0.0147,來源於狀態 3,所以 i_2^=3.
  • 在 t=1 時,因 i_2^=3,狀態 3 的最大概率 P=0.042,來源於狀態 3,所以 i_1^=3.

最後得到最優路徑為 I^=(i_{1}^,i_{2}^,i_{3}^)=(3,3,3)

用Viterbi演算法求解中文分詞問題

根據上面講的 HMM 和 Viterbi,接下來對中文分詞這個問題,構造五元組並用演算法進行求解。

InitStatus:π

1479913400-1781-1667471-0259f80276a35822

 

 

TransProbMatrix:A

1479913400-1204-1667471-60f5013a5d02612d

 

 

EmitProbMatrix:B

1479913401-4661-1667471-85fac284eeb4080f

 

 

Viterbi求解

經過這個演算法後,會得到兩個矩陣 weight 和 path:

二維陣列 weight[4][15],4是狀態數(0:B,1:E,2:M,3:S),15是輸入句子的字數。比如 weight[0][2] 代表 狀態B的條件下,出現’碩’這個字的可能性。

二維陣列 path[4][15],4是狀態數(0:B,1:E,2:M,3:S),15是輸入句子的字數。比如 path[0][2] 代表 weight[0][2]取到最大時,前一個字的狀態,比如 path[0][2] = 1, 則代表 weight[0][2]取到最大時,前一個字(也就是明)的狀態是E。記錄前一個字的狀態是為了使用viterbi演算法計算完整個 weight[4][15] 之後,能對輸入句子從右向左地回溯回來,找出對應的狀態序列。

1479913401-6696-1667471-da24a9549ab0cfd5

 

 

先對 weight 進行初始化,

使用 InitStatus 和 EmitProbMatrix 對 weight 二維陣列進行初始化。

由 EmitProbMatrix 可以得出

1479913401-4689-1667471-e1270e354e1714ca

 

 

所以可以初始化 weight[i][0] 的值如下:

1479913401-5460-1667471-c1372eea0b72b399

 

 

注意上式計算的時候是相加而不是相乘,因為之前取過對數的原因。

然後遍歷找到 weight 每項的最大值,同時記錄了相應的 path

//遍歷句子,下標i從1開始是因為剛才初始化的時候已經對0初始化結束了
for(size_t i = 1; i < 15; i++)
{
    // 遍歷可能的狀態
    for(size_t j = 0; j < 4; j++) 
    {
        weight[j][i] = MIN_DOUBLE;
        path[j][i] = -1;
        //遍歷前一個字可能的狀態
        for(size_t k = 0; k < 4; k++)
        {
            double tmp = weight[k][i-1] + _transProb[k][j] + _emitProb[j][sentence[i]];
            if(tmp > weight[j][i]) // 找出最大的weight[j][i]值
            {
                weight[j][i] = tmp;
                path[j][i] = k;
            }
        }
    }
}

如此遍歷下來,weight[4][15] 和 path[4][15] 就都計算完畢。

確定邊界條件和路徑回溯

邊界條件如下:

對於每個句子,最後一個字的狀態只可能是 E 或者 S,不可能是 M 或者 B。
所以在本文的例子中我們只需要比較 weight[1(E)][14] 和 weight[3(S)][14] 的大小即可。

在本例中:

weight[1][14] = -102.492;

weight[3][14] = -101.632;

所以 S > E,也就是對於路徑回溯的起點是 path[3][14]

進行回溯,得到序列

SEBEMBEBEMBEBEB。

再進行倒序,得到

BEBEBMEBEBMEBES

接著進行切詞得到

BE/BE/BME/BE/BME/BE/S

最終就找到了分詞的方式

小明/碩士/畢業於/中國/科學院/計算/所

HMM還有哪些應用

HMM不只用於中文分詞,如果把 S 換成句子,O 換成語音訊號,就變成了語音識別問題,如果把 S 換成中文,O 換成英文,就變成了翻譯問題,如果把 S 換成文字,O 換成影像,就變成了文字識別問題,此外還有詞性標註等等問題。

對於上述每種問題,只要知道了五元組中的三個引數矩陣,就可以應用 Viterbi 演算法得到結果。

 

相關文章