張貝貝

完全開源、自主研發(fā)、精度高、速度快、內(nèi)存省……如果將這些關(guān)鍵詞都集合在HanLP上會產(chǎn)生什么？

2014年，還在攻讀日語本科的大快搜索高級研究員何晗一定沒想到，機緣巧合研發(fā)的一款中文分詞器，在隨后幾年中幾經(jīng)迭代，并在商用市場大放光彩。

而看似是“無心插柳柳成蔭”的事情，卻凝聚著何晗對HanLP工匠式的錘煉。

據(jù)介紹，HanLP是由一系列模型與算法組成的工具包，目標(biāo)是普及自然語言處理（NLP）在生產(chǎn)環(huán)境中的應(yīng)用。HanLP具備功能完善、性能高效、架構(gòu)清晰、語料時新、可自定義的特點;能提供詞法分析（中文分詞、詞性標(biāo)注、命名實體識別）、句法分析、文本分類和情感分析等功能。目前，HanLP已經(jīng)被廣泛用于Lucene、Solr、ElasticSearch、Hadoop、Android、Resin等平臺，有大量開源作者開發(fā)各種插件與拓展，并且被包裝或移植到Python、C#、R、JavaScript等語言上去。

精誠所至 金石為開

談及HanLP的開發(fā)過程，何晗回憶道，“那時我還在讀本科，當(dāng)時在上海某科技公司兼職實習(xí)，公司想做全文檢索系統(tǒng)，所以需要一款中文分詞器。我考察到市面上的開源工具要么來自學(xué)術(shù)界，不太重視運行性能，要么來自工業(yè)界，不太重視算法準(zhǔn)確率，于是我想做一款平衡速度和精度的分詞器?！?/p>

不過萬事開頭難，何況對于非計算機專業(yè)的何晗來說，一切充滿著未知。因此，不可避免地遇到了許多難題。比如，相關(guān)論文中的術(shù)語從未接觸過、公式看不懂、別人的代碼沒有注釋之類。后來何晗自學(xué)了許多自然語言處理與機器學(xué)習(xí)的著作與課件，把能找到的開源代碼都研究了一遍，總算是窺得一些門道。

據(jù)何晗介紹，HanLP第一個版本效率不高，后來大量采用雙數(shù)組trie樹和AC自動機進行優(yōu)化，甚至提出了結(jié)合兩種算法實現(xiàn)一個新數(shù)據(jù)結(jié)構(gòu)，最終把效率做到了極致。在易用性方面，一直堅持“明文至上”的原則，許多模型都儲存為txt格式，在懂機器學(xué)習(xí)的人看來這是模型，在“小白”用戶看來這是詞典，大家能用得明白。

隨著HanLP的基本成型，何晗也扣動了自主創(chuàng)新的大門。因為HanLP內(nèi)部的算法都是自主研發(fā)的，不依賴第三方類庫，這樣的好處是可以控制產(chǎn)品的所有細節(jié)。在大快搜索商用期間，HanLP又實現(xiàn)了更多模塊，版本迅速迭代到1.6。

一觸即發(fā) 全線跟進

如何形容HanLP的快速發(fā)展？從數(shù)據(jù)上來看，根據(jù)GitHub統(tǒng)計，HanLP是全球用戶量最大的自然語言處理工具包。而從演進的過程來看，何晗給出了這樣的總結(jié)，“HanLP從單純的分詞器發(fā)展到目前功能較為完善的NLP工具包，是一個單點突破、全線跟進的模式?！?/p>

眾所周知，分詞只是NLP的第一步，第一步涉及許多機器學(xué)習(xí)算法，將這些機器學(xué)習(xí)算法吃透了，其他功能都是這些機器學(xué)習(xí)算法的應(yīng)用層，可以說是手到擒來。

何晗進一步談到，當(dāng)代的技術(shù)潮流是所謂的深度學(xué)習(xí)，相較于深度學(xué)習(xí)，HanLP目前主要由手工實現(xiàn)的傳統(tǒng)機器學(xué)習(xí)方法驅(qū)動，優(yōu)勢是適用于計算資源匱乏的場景，比如移動設(shè)備和VPS。但在2.0版本之后，HanLP將全線切換到深度學(xué)習(xí)驅(qū)動，并且主要開發(fā)語言將切換到Python?！爱吘惯@是時代的大勢所趨，另外NLP本來就是一種較高層次的技術(shù)，當(dāng)語料庫和數(shù)據(jù)量增大時，對計算力或說顯卡的需求增長也是必然的。”

現(xiàn)在HanLP由大快搜索公司主導(dǎo)開發(fā)，普及了許多常用NLP技術(shù)在生產(chǎn)環(huán)境中的運用，普及了語料庫、雙數(shù)組trie樹、感知機等大量概念或技術(shù)的運用。代碼完全開源，目前在開源社區(qū)的用戶量第一，在GitHub上的收藏數(shù)量達到8000，遠超過其他同類型的知名工具，如斯坦福的CoreNLP、NLTK和哈爾濱工業(yè)大學(xué)的LTP等。

此外，在NLP領(lǐng)域，HanLP采取算法與語料庫分離的模式，耗費人力成本的語料庫則形成了一種新的商業(yè)模式。針對不同的行業(yè)領(lǐng)域，客戶委托公司加工行業(yè)語料庫，使用HanLP在行業(yè)語料庫上訓(xùn)練模型，于是在該行業(yè)文本上的準(zhǔn)確率大幅提升。隨著公司積累語料庫越多，HanLP能適應(yīng)的領(lǐng)域也越多，勢必會形成一個有效的正反饋循環(huán)。

走出國門 擁抱世界

HanLP命名中的Han指的是漢語的漢，它從誕生開始就是面向中文處理而開發(fā)的。用HanLP處理包含簡體在內(nèi)的多種漢語言非常方便，這種漢語的復(fù)雜程度是外國人無法理解的。大快搜索公司內(nèi)部積累標(biāo)注的海量語料庫為HanLP的領(lǐng)域拓展提供了數(shù)據(jù)上的驅(qū)動力，使得HanLP還可以應(yīng)用于微博等社交網(wǎng)絡(luò)上的不規(guī)范文本。不僅限于中文，通過提供其他語種的語料庫，HanLP同樣可以支持任何語言。在2.0版本，HanLP將提供其他語種的模型，走出國門，擁抱世界。

可以說，HanLP是中國的，也是世界的。它具備的競爭力足以讓這款技術(shù)產(chǎn)品的開發(fā)者有足夠的信心。HanLP目前的核心優(yōu)勢主要是性能和精度的平衡以及大規(guī)模語料庫。不同于市面上的競爭產(chǎn)品，HanLP內(nèi)部的數(shù)據(jù)結(jié)構(gòu)經(jīng)過精心優(yōu)化，分析速度達到數(shù)千萬字每秒，而內(nèi)存占用控制在100MB左右，這使得HanLP實用于包含移動設(shè)備在內(nèi)的幾乎所有場景。此外，值得強調(diào)的是，HanLP代碼完全開源，功能由一個jar包提供，在本地運行不訪問云，用戶的隱私數(shù)據(jù)得到了保障。

如果用戶需要處理不通用的領(lǐng)域行業(yè)文本，還可以通過標(biāo)注行業(yè)語料庫訓(xùn)練行業(yè)模型的方法進行拓展，設(shè)計上比那些商業(yè)產(chǎn)品更靈活。

談到商業(yè)市場的應(yīng)用，HanLP如何與具體業(yè)務(wù)結(jié)合發(fā)揮應(yīng)用的價值呢？對此，何晗談道，在搜索領(lǐng)域，可以利用插件與Lucene、Solr和ES等常見搜索引擎結(jié)合。在大數(shù)據(jù)領(lǐng)域，可以輕松集成到Hadoop中。在數(shù)據(jù)科學(xué)領(lǐng)域，HanLP還提供了Python語言接口pyhanlp。

敢問路在何方

從創(chuàng)新性上來看，HanLP無疑是走在了前面。作為首個面向生產(chǎn)環(huán)境的自然語言處理工具包，不依賴第三方庫，全部算法自主編寫。獨特的IO緩存機制，啟動時間控制在毫秒級，基于Aho Corasick自動機的雙數(shù)組trie樹將分析速度提升到千萬字符每秒。特殊的特征裁剪算法，可以顯著降低模型的內(nèi)存占用、提升運行效率。面向機器學(xué)習(xí)的API設(shè)計，所有模塊提供訓(xùn)練接口，顯著區(qū)別于商業(yè)軟件。

未來看，HanLP的發(fā)展方向在技術(shù)上是邁向深度學(xué)習(xí)，在語言上是切換到Python。因為目前最精準(zhǔn)的機器學(xué)習(xí)框架就是深度學(xué)習(xí)，自然語言處理也不例外。另外，在發(fā)達國家，Python用戶數(shù)量已經(jīng)超過了Java，北美學(xué)校已經(jīng)廣泛采用Python教授數(shù)據(jù)科學(xué)相關(guān)課程。

當(dāng)然，HanLP未來的路還有很長，需要何晗繼續(xù)秉承精益求精的精神不斷錘煉，需要大快搜索主導(dǎo)的研發(fā)和應(yīng)用更上一層樓。但何晗更希望，整個IT市場，應(yīng)該多鼓勵自主研發(fā)的核心技術(shù)，少包裝集成。多招用數(shù)學(xué)功底好、肯鉆研的技術(shù)工程師，少招急功近利的程序員。

也許正是這樣的家國情懷和工匠精神才讓何晗和他所研發(fā)的HanLP如此有魅力。

采訪實錄

Q：中國大數(shù)據(jù)產(chǎn)業(yè)生態(tài)聯(lián)盟、《軟件和集成電路》雜志社

A： 大快搜索高級研究員何晗

Q：如何更加深刻而形象地理解自然語言處理？

A：事實上自然語言處理是基于機器學(xué)習(xí)技術(shù)的應(yīng)用層，而機器學(xué)習(xí)是人教機器去做一些智能的事情。這個時候人就必須得提供給機器一些習(xí)題集，相當(dāng)于提供給它一些數(shù)據(jù)，這些數(shù)據(jù)是人工給它標(biāo)注好的。所謂的標(biāo)注就是你把這些數(shù)據(jù)正確的答案，附在后面。把整個數(shù)據(jù)、答案作為習(xí)題集教給機器，機器學(xué)習(xí)就會做一下題，然后對一下答案。如果你沒有給它答案的話，那個機器它只做題，它不知道正確答案是什么。把數(shù)據(jù)的答案人工地找出來，或者人工地標(biāo)上去就叫做標(biāo)注。那么在自然語言處理里面，我們就希望把一些文本要素標(biāo)注出來，比如說一句話正確的單詞序列、一些單詞的正確詞性，或者一段文本里面涉及的公司名稱、人名、地名有哪些等都得標(biāo)好。機器學(xué)習(xí)完得到的模型就相當(dāng)于一個知識庫。有了這個知識庫之后，機器就可以對于未知的、而不限于你已經(jīng)給它的文檔進行分析。

如果更加形象的來說，就相當(dāng)于你有一個孩子，你給他準(zhǔn)備了一些題目和一些參考答案，你把完整的這個習(xí)題集給他。他做完之后，他就可以參加考試了，但考試的那些題目并不一定就是習(xí)題集里面有的，它可以有未知的，然后你的孩子也可以智能地去做這些題目。

這是一個比較重要的概念，很多人誤以為大數(shù)據(jù)就是我生產(chǎn)系統(tǒng)里面積累了很多歷史的數(shù)據(jù)，然后機器馬上就可以智能的去處理了。實際上并不是，你必須有一個人工標(biāo)注的過程，你只給孩子做題，不給他參考答案，你的孩子是永遠學(xué)習(xí)不好的。

Q：大快搜索在人工標(biāo)注方面做了哪些嘗試和努力？

A：人工標(biāo)注是一個很重要的環(huán)節(jié)，大快搜索也投入了非常多的精力在做人工標(biāo)注的配套系統(tǒng)。目前，我們已經(jīng)做出來一種產(chǎn)品，就是有一個友好的web界面，里面會存放一些沒有標(biāo)注的文檔，我們會請一些專業(yè)的標(biāo)注員，利用計算機就可以輕松地把這些文本標(biāo)注成機器可以理解的形式，然后再把這些標(biāo)注好的文檔教給機器學(xué)習(xí)?？梢哉f，人工標(biāo)注得越多，自然語言處理的精度就會越高，由此也逐漸形成了一種產(chǎn)業(yè)模式。

Q：HanLP2.0具體的特點和轉(zhuǎn)變有哪些？

A：HanLP2.0的第一個明顯的特點是從底層算法的一種轉(zhuǎn)變，即從傳統(tǒng)的機器學(xué)習(xí)到深度學(xué)習(xí)、到神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的一個轉(zhuǎn)變。第二個特征是編程語言上面的轉(zhuǎn)變，現(xiàn)在的版本是用Java來做的，但是事實上Java在數(shù)據(jù)科學(xué)這個領(lǐng)域上面是稍微有一些落后的。北美的很多大學(xué)，在教數(shù)據(jù)挖掘、數(shù)據(jù)專業(yè)的時候并不會用Java來教，而是用Python來教。像深度學(xué)習(xí)的領(lǐng)域也是被Python這門語言壟斷了，所以說到HanLP2.0的時候，HanLP會主要用Python來實現(xiàn)，同時提供其他編程語言的API接口，這是第二個非常不同的地方。第三個特點涉及語種的問題，HanLP目前的版本是只從漢語這一語種出發(fā)，是有一些局限性的，事實上HanLP用的技術(shù)，完全是可以用于其他任何語種的。所以在2.0的時候，HanLP會把這個語種做成一種配置，相當(dāng)于你給我什么語種的習(xí)題集，HanLP就能處理什么語種。目前看，至少會有這三個最核心的特點和變化。

Q：如何看待當(dāng)前人工智能的發(fā)展？

A：個人認為，現(xiàn)在大眾理解的人工智能的發(fā)展離實際情況太遙遠了，或者說可能是很久之后的人工智能的發(fā)展?fàn)顟B(tài)?，F(xiàn)在的這個人工智能的狀態(tài)，就是人們用一些經(jīng)驗數(shù)據(jù)，一些標(biāo)注好的數(shù)據(jù)去教機器，而不是機器從概念上理解數(shù)據(jù)的本質(zhì)，那個太遙遠，像科幻一樣，不是本世紀(jì)關(guān)注的事情。

因此，目前人工智能的市場會有一些泡沫在里面，一些非專業(yè)媒體或普通的傳統(tǒng)行業(yè)客戶對當(dāng)前的形勢估計過于樂觀。無論是從學(xué)術(shù)研究還是實際的發(fā)展情況來看，當(dāng)前人工智能的發(fā)展是遠遠低于大眾的預(yù)期的，有大量的學(xué)者和研究者都在很嚴(yán)肅地對待這個問題。也就是說整體還處于弱人工智能狀態(tài)。

行業(yè)應(yīng)用案例

案例名稱：某市刑偵語義搜索系統(tǒng)

核心特點：

自動分析警情要素

自動分析警情要素是指輸入非結(jié)構(gòu)化的報警記錄時，系統(tǒng)能夠自動提取出“何時（時間）、何地（地點）、何事（事情）、何物（作案工具）、何情（作案情形）、何故（動機目的）、何人（嫌疑人）”7種要素。并利用我們開發(fā)的標(biāo)注系統(tǒng)，將這些要素視作命名實體，訓(xùn)練統(tǒng)計模型。在標(biāo)注的過程中增量地訓(xùn)練模型，降低標(biāo)注成本的同時，提高了分析識別的準(zhǔn)確率。將大量的、枯燥的文字記錄分析工作交給機器，將警務(wù)人員從傳統(tǒng)的記錄篩選任務(wù)中解脫出來，系統(tǒng)自動探測跟蹤并觸發(fā)報警，警務(wù)人員只需要進行記錄查看，確認警情并聯(lián)絡(luò)相關(guān)部門采取措施。

智能判斷出警建議

系統(tǒng)通過文本分類技術(shù)進行警情預(yù)分析，首先完成對案件的性質(zhì)判斷，并將其歸檔到數(shù)據(jù)庫。系統(tǒng)通過詞頻特征選擇進行分類，結(jié)合詞條在分類內(nèi)部出現(xiàn)的概率和類別內(nèi)部文檔中出現(xiàn)概率，以一種詞分布均衡度評價特征詞選擇方法，作為信息抽取的基礎(chǔ)和關(guān)鍵步驟。再根據(jù)數(shù)據(jù)庫中的歷史接警級別，以及用戶設(shè)置的出警規(guī)則，提供相應(yīng)預(yù)判。通過對模型的不斷優(yōu)化調(diào)整，得到最優(yōu)的預(yù)測模型，實現(xiàn)了對每種警情的準(zhǔn)確判斷與智能建議。

警情結(jié)果可視化展示

將歷史警情匯總并分門別類地可視化展示，提供包括時間、地域、類別、等級等全方位的檢索接口，便于工作人員直觀地獲取歷史信息，從而有針對性地布置警力。

應(yīng)用解讀：

刑事案件數(shù)據(jù)主要由辦案過程中積累下來各類案件、涉案人員等信息以及報警信息組成，這些信息由于數(shù)據(jù)采集來自不同的設(shè)備、數(shù)據(jù)的發(fā)布或維護機構(gòu)不同、存儲介質(zhì)多樣，造成數(shù)據(jù)類型不一、模式復(fù)雜多變、組織混亂、重復(fù)等特點，使得在刑偵案件偵破過程中，信息獲取過程繁瑣，難以適應(yīng)高速緊張的工作需要。如何利用有限的精力，迅速完成警情分析、出警預(yù)判、信息整理成為了現(xiàn)代化刑偵必須解決的問題。

該系統(tǒng)能夠根據(jù)歷史接警記錄，自動標(biāo)注案發(fā)地址、時間、作案工具和損失財務(wù)等警情要素。結(jié)合過往出警記錄，判斷警情等級并給出相應(yīng)建議。這大幅縮短了工作人員錄入檔案的時間，降低了高峰時期的人力負載，甚至為領(lǐng)導(dǎo)的宏觀分析提供了信息來源。

應(yīng)用價值：

該系統(tǒng)采用了大量的機器學(xué)習(xí)與自然語言處理驅(qū)動技術(shù)，構(gòu)建了準(zhǔn)確的分析模型與全方位的展示界面，為警務(wù)管理提供了新的敏捷性與準(zhǔn)確性。使用語義檢索代替了傳統(tǒng)的關(guān)鍵字檢索，有機地整合了警情信息，精確地提供了出警建議。自動化了接警流程，縮短了出警時滯，提供了智能化的預(yù)判建議。

從學(xué)術(shù)角度出發(fā)，該系統(tǒng)以模式多變、格式迥異的文檔為輸入，以結(jié)構(gòu)化的案件事實為輸出，在刑偵數(shù)據(jù)處理領(lǐng)域?qū)δＰ万?qū)動的案件抽取進行了初步的研究和有意義的探索。保證輸出案件事實的前提下，同時存儲了抽取的中間結(jié)果，為指代消歧、案件事實融合等后續(xù)研究工作奠定了基礎(chǔ)。