自然语言处理（5）—— 中文分词

中文分词的基本原理及实现

- [1. 什么是词](#1. 什么是词)
- [2. 基本原理](#2. 基本原理)
- [3. 发展趋势：多数场景无需显式分词](#3. 发展趋势：多数场景无需显式分词)

信息处理的目标是使用计算机能够理解和产生自然语言。而自然语言理解和产生的前提是对语言能够做出全面的解析。

汉语词汇是语言中能够独立运用的最小的语言单位，是语言中的原子结构。由于中文缺乏类似英文的空格分隔，分词的准确性直接影响后续任务（如机器翻译、情感分析）的效果。因此，对中文进行分词就显得至关重要。

中文分词（Chinese Word Segmentation）是自然语言处理的基础任务，旨在将连续的中文字符序列切分成具有独立语义的词语。

以下从基本原理、主流方法、实现工具及挑战展开介绍。

1. 什么是词

古往今来，汉字虽然有5万多个，但常用的汉字大约仅有6000个。即便如此，其中很多汉字在日常生活中较少用到。然而，这些有限的汉字足以维持词汇的长期更新，因为扩大中文词汇的方法是通过构造汉字的复合新词，而不是创造新的字符来完成的。这就造成了汉语中所谓的词和短语之间没有明确的界限。

这可能也就是中国的一些语法学家认为,中文没有词语而只有汉字的原因，并创造了一个术语--"字短语"来代替传统的词汇。董振东就认为:"'词或字符'的争论源于他们都急于给中国语言一个硬规范的共同基础。遗憾的是，中文不是那么明确的或硬的，它是软的。我们必须认识到其'柔软度'"。

除构词法的原因之外，人们还因为自身的方言、受教育程度、亚文化等差异因素，对词汇的认识也不同。这些事实都成为制定统一的汉语分词标准的障碍。但是对于计算机系统而言，同一种语言应使用统一的规范来划分词汇，否则，很难想象在多重标准下的词汇系统能够计算出相同的语义结果。

随着 NLP的大规模应用，计算语言学界逐渐统一了汉语词汇的标准。

《信息处理用现代汉语分词规范》关于汉语词的定义给出了如下说明：汉语信息处理使用的、具有确定的语义或语法功能的基本单位。

2. 基本原理

中文分词的实现依赖于三大类方法：

（1）基于规则（词典）的分词方法

核心思想：通过预定义的词典匹配文本中的词条，优先匹配最长词。
典型算法 ：
- 正向最大匹配（FMM）：从左到右逐字扫描，优先匹配最长词（如"北京大学"优先于"北京"）。
- 逆向最大匹配（BMM）：从右到左扫描，适用于处理后缀歧义（如"为人民办公益"可能误分为"为人/民办/公益"）。
- 双向最大匹配：结合FMM和BMM，若结果一致则采纳，否则按最小词数或上下文调整。
特点：速度快、实现简单，但依赖词典质量，无法处理未登录词和新词。

（2）基于统计的分词方法

核心思想：利用大规模语料训练语言模型，通过概率选择最优分词路径。
典型模型 ：
- N-gram语言模型：计算词序列联合概率，例如"南京市长江大桥"的切分路径通过Bigram或Trigram概率比较。
- 隐马尔可夫模型（HMM）：将分词转化为序列标注问题（BEMS：词首/中/尾/单字），如"北京/大学"标注为"B-E B-E"。
- 条件随机场（CRF）：相比HMM，考虑全局特征，标注更精准。
特点：能处理未登录词和歧义，但需大量标注数据。

（3）基于深度学习的分词方法

核心思想：通过神经网络自动学习上下文特征，端到端输出分词结果。
典型模型 ：
- BiLSTM-CRF：双向LSTM捕捉上下文，CRF优化标签序列。
- Transformer：自注意力机制处理长距离依赖，如《Multi-Criteria Chinese Word Segmentation with Transformer》。
- 预训练模型（如BERT）：直接以字符为单位建模，无需显式分词（如"陈敬雷分布式机器学习实战"整体处理）。
特点：准确率高，但依赖算力和数据量，模型复杂度高。

实现工具与案例

主流工具
- jieba ：基于HMM和前缀词典，支持精确模式、全模式和搜索引擎模式。
  - 原理：构建前缀词典生成DAG（有向无环图），动态规划选择最大概率路径。
  - 示例："研究生物"可能切分为"研究生/物"（HMM纠正为"研究/生物"）。
- HanLP：集成词典与统计模型，支持多任务（如词性标注、NER）。
- THULAC：清华大学开源工具，结合CRF和深度学习。

代码实现（以jieba为例）

python 复制代码

import jieba
# 精确模式
seg_list = jieba.cut("南京市长江大桥", cut_all=False)
print("/".join(seg_list))  # 南京/市/长江大桥
# 搜索引擎模式
seg_search = jieba.cut_for_search("陈敬雷分布式机器学习实战")
print("/".join(seg_search))  # 陈敬雷/分布式/机器/学习/实战/分布式机器学习/机器学习

3. 发展趋势：多数场景无需显式分词

预训练模型的突破 ：
BERT、GPT等模型直接以字符或子词（如WordPiece）为输入，通过上下文隐式学习词边界和语义组合。例如"机器学习"无需提前切分，模型能自动关联"机"与"器"、"学"与"习"形成整体语义。
实验证据 ：
ACL 2019论文在语言模型、机器翻译等任务中验证，字符级模型效果优于词级模型 。原因包括：
- 数据稀疏性：词级模型面临低频词和OOV问题（如CTB数据集中约40%的词出现≤4次）。
- 噪声传递：分词工具误差（如"南京市长江大桥"误切为"南京/市长/江大桥"）会损害模型性能。

无需分词的典型场景

场景	原因
预训练语言模型	直接处理字符或子词，通过自注意力机制学习长距离依赖和词组合规律。
文本分类/情感分析	字符级CNN或Transformer能捕捉局部语义，如"好评"和"差评"无需依赖词边界。
机器翻译	字符级输入减少OOV问题，如"Transformer"作为未登录词可通过子词拆分处理。

仍需分词的特定场景

场景	原因
依赖词结构的任务	如词性标注、句法分析，传统方法需显式分词定义词单位（但部分预训练模型已内化此类能力）。
信息检索（IR）	若查询与文档使用相同分词规则，可提升召回率（如"机器学习"切分为"机器/学习"匹配更多结果）。
小数据场景	数据量不足时，分词可提供词级特征辅助模型（如"苹果公司"作为整体提升实体识别准确率）。

深度学习模型并非完全不需要分词 ，但显式分词的场景已大幅减少。

未来随着模型对细粒度语义的理解加深，分词的"中间层"角色将进一步弱化，但作为医疗、法律等专业领域知识载体仍具实用价值。