一、N-gram介绍

n元语法（英语：N-gram）指文本中连续出现的n个语词。n元语法模型是基于(n - 1)阶马尔可夫链的一种概率语言模型，通过n个语词出现的概率来推断语句的结构。这一模型被广泛应用于概率论、通信理论、计算语言学（如基于统计的自然语言处理NLP）、计算生物学（如序列分析）、数据压缩等领域。

　　N-gram文本广泛用于文本挖掘和自然语言处理任务。它们基本上是给定窗口内的一组同时出现的单词，在计算n元语法时，通常会将一个单词向前移动（尽管在更高级的场景中可以使X个单词向前移动）。

　　例如，对于句子"The cow jumps over the moon" ，N = 2（称为二元组），则 ngram 为：

• the cow

• cow jumps

• jumps over

• over the

• the moon

  　　因此，在这种情况下，有 5 个 n-gram。

  　　再来看看 N = 3，ngram 将为：

• the cow jumps

• cow jumps over

• jumps over the

• over the moon

  　　因此，在这种情况下，有 4 个 n-gram。

  　　所以，在一个句子中 N-grams 的数量有：

  Ngrams(K) = X - (N - 1)

  其中，X 为给定句子K中的单词数，N 为 N-gram 的N，指的是连续出现的 N 个单词。

  N-gram用于各种不同的任务。例如，在开发语言模型时，N-grams不仅用于开发unigram模型，而且还用于开发bigram和trigram模型。谷歌和微软已经开发了网络规模的 n-gram模型，可用于多种任务，例如拼写校正、分词和文本摘要。N-gram的另一个用途是为受监督的机器学习模型（例如SVM，MaxEnt模型，朴素贝叶斯等）开发功能。其想法是在特征空间中使用标记（例如双字母组），而不是仅使用字母组合。

  　　下面简单介绍一下如何用 Java 生成 n-gram。

二、用 Java 生成 n-gram

　　这个是生成 n-gram 的主要方法，方法首先是对传进来的句子 sentence 进行单词拆分，这个正则表达式“\\s+”是能匹配任何空白字符，包括空格、制表符、换页符等等, 等价于 [ \f\n\r\t\v]。拆分完后对单词进行拼接。算法时间复杂度为 O(X - (N - 1))，X 为给定句子K中的单词数，N 为 N-gram 的 N。****

1 /**
2 * 生成n元语法
3 *

4 * 一个句子中有多少个N-gram?
5 * 如果 X = 给定句子K中的单词数，则句子K的 N-gram数为:
6 * N(grams) = X - (N - 1)
7 *
8 * @param n 连续 n个单词
9 * @param sentence 句子级别的文本
10 * @return 存着ngram的列表
11 */
12 public static List ngrams(int n, String sentence) {
13 List ngrams = new ArrayList<>();
14 String[] words = sentence.split("\\s+");
15 for (int i = 0; i < words.length - n + 1; i++)
16 ngrams.add(concat(words, i, i + n));
17 return ngrams;
18 }

　　进行单词拼接，这里使用 StringBuilder（线程不安全，效率相对StringBuffer高点）对拆分好的单词进行拼接并返回拼接好的字符串。

1 /**
2 * 拼接单词
3 *
4 * @param words 单词
5 * @param start 开始位置
6 * @param end 结束位置
7 * @return 拼接好的字符串
8 */
9 public static String concat(String[] words, int start, int end) {
10 StringBuilder sb = new StringBuilder();
11 for (int i = start; i < end; i++) 12 sb.append(i > start ? " " : "").append(words[i]);
13 return sb.toString();
14 }

　　对 n-gram 的出现次数进行统计，使用 HashMap 来存储 n-gram 的出现次数，并且按照 value 的逆序排序 Map，次数较多的在前面先打印。这里使用 Java 8 Stream API 按照 value 降序顺序进行 Map 排序。

　　在 Java 8 中，Map.Entry类具有静态方法 comparingByValue() 来帮助按 value 排序，此方法返回以自然顺序 Comparator 比较 Map.Entry值的。还有，你可以传递自定义Comparator 以用于排序。

　　下面是根据 value 进行排序的方法：

1 /**
2 * 按 value对 HashMap进行逆序排序
3 *

4 * 使用 Java 8 Stream API按照降序对Value进行Map排序
5 * 逻辑的中心是按自然顺序 Map.Entry.comparingByValue()比较 Map.Entry值的方法。
6 *
7 * @param unSortedMap 未排序的HashMap
8 * @return 按照value降序排序的HashMap
9 */
10 public static HashMap sortByValue(HashMap unSortedMap) {
11 // System.out.println("Unsorted Map : " + unSortedMap);
12
13 // LinkedHashMap保留插入元素的顺序
14 LinkedHashMap reverseSortedMap = new LinkedHashMap<>();
15
16 // 使用 Comparator.reverseOrder() 进行反向排序
17 unSortedMap.entrySet()
18 .stream()
19 .sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()))
20 .forEachOrdered(x -> reverseSortedMap.put(x.getKey(), x.getValue()));
21
22 // System.out.println("Reverse Sorted Map : " + reverseSortedMap);
23
24 return reverseSortedMap;
25 }

　　主函数测试代码：

1 public static void main(String[] args) {
2 HashMap count = new HashMap<>();
3 String text = "I can go to the supermarket to buy spicy bars or go to the store to buy spicy bars.";
4
5 // 生成n为1~3的N元语法
6 // for (int n = 1; n <= 3; n++) { 7 // for (String ngram : ngrams(n, text)) { 8 // System.out.println(ngram); 9 // } 10 // System.out.println(); 11 // } 12 13 for (String ngram : ngrams(3, text)) { 14 // counting ngram by using HashMap 15 if (!count.containsKey(ngram)) { 16 count.put(ngram, 1); 17 } else if (count.containsKey(ngram)) { 18 count.replace(ngram, count.get(ngram) + 1); 19 } 20 System.out.println(ngram); 21 } 22 23 // 按出现次由多到少的顺序打印ngram 24 System.out.println("\nCounting Result: "); 25 for (Map.Entry entry : sortByValue(count).entrySet()) {
26 System.out.println(entry.getKey() + ": " + entry.getValue());
27 }
28
29 }