本文旨在介绍如何利用HanLP训练分词模型，包括语料格式、语料预处理、训练接口、输出格式等。 目前HanLP内置的训练接口是针对一阶HMM-NGram设计的，另外附带了通用的语料加载工具，可以通过少量代码导出供其他训练工具使用的特定格式（如CRF++）。
语料格式
输入语料格式为人民日报分词语料库格式。该格式并没有明确的规范，但总体满足以下几点：
1、单词与词性之间使用“/”分割，如华尔街/nsf，且任何单词都必须有词性，包括标点等。
2、单词与单词之间使用空格分割，如美国/nsf 华尔街/nsf 股市/n。
3、支持用[]将多个单词合并为一个复合词，如[纽约/nsf 时报/n]/nz，复合词也必须遵守1和2两点规范。
你可以参考OpenCorpus/pku98/199801.txt（作者并无版权，请勿询问）。
语料预处理
语料预处理指的是将语料加载到内存中，根据需要增删改其中部分词语的一个过程。在HanLP中，这是通过CorpusLoader.walk实现的：
CorpusLoader.walk("path/to/your/corpus", new CorpusLoader.Handler()
{
@Override
public void handle(Document document)
{
System.out.println(document);
}
});
其中，document对象就是加载到内存的文档，对应某一个文本文件。用户可以通过document.getSimpleSentenceList等接口获取文档中的句子列表，每个句子都是单词的链表，具体参数请参考source.jar，不再赘述。而Handler是一个处理逻辑（lambda函数），在此可以编写自己的预处理代码。
· CRF分词采用BMES标注集，从人民日报转换到CRF训练语料的完整预处理代码请参考com.hankcs.test.model.TestCRF#testPrepareCRFTrainingCorpus。
· 若不使用上述预处理代码则请注意：由于在HanLP实现的CRF分词解码算法中，数词被转换为M，英文被转换为W；所以在训练CRF分词之前，需要用相同的逻辑预处理语料。转换代码请参考：com.hankcs.test.model.TestCRF#compile
训练HMM-NGram分词模型
HMM-NGram在HanLP中特意被处理为文本形式，方便用户理解、修改HMM-NGram模型（习惯上称为词典，但这并不代表它不是模型）。此处的训练就是为了得到分词所需的全部模型，而训练，只需一两行代码：
final NatureDictionaryMaker dictionaryMaker = new NatureDictionaryMaker();
CorpusLoader.walk("path/to/your/corpus", new CorpusLoader.Handler()
{
@Override
public void handle(Document document)
{
dictionaryMaker.compute(CorpusUtil.convert2CompatibleList(document.getSimpleSentenceList(true)));
}
});
dictionaryMaker.saveTxtTo("data/test/CoreNatureDictionary");
其中，document.getComplexSentenceList()代表获取复合词句子列表（即复合词原样输出），用户可以将其替换为CorpusUtil.convert2CompatibleList(document.getSimpleSentenceList(true))来将复合词拆分为单个词语。
输出格式
训练后一共得出3个文件：
1、CoreNatureDictionary.txt：单词词性词典
2、CoreNatureDictionary.ngram.txt：二元接续词典
3、CoreNatureDictionary.tr.txt：词性转移矩阵
接下来用户可以通过替换配置文件中的CoreDictionaryPath来使用新训练的词典。
网友评论