yenharvey
5380636c82
- assets/lexicon/domain_words.tsv：日志里选过 ≥ 2 次、词库与短语层都没有、公开语料里出现过的词；次数用语料次数，不到 20 的按 20，多音字拼音给全 - bigram --phrases 可重复给：领域词当 token 统计会吸走成分词的二元证据（词库 77 次 → 词 + 库 路径没了，整句出 助词哭），走合成路整句得分与原路径一样 - 回放 词 8064 → 8098、整句 2977 → 2983，整句评测集 37.6% 持平（字准确率 76.8 → 76.9）；同步 dict.tsv 与领域词库 - 记录：docs/notes/domain-words.md、QINGJIAN.md 4d
6.3 KiB
短语层（2026-09-12）
起因
常数扫描（constant-sweep.md）之后看没命中的构成：词级 1208 条没命中里 742 条是 5 键以上的短语当词选，
日志里上屏过、词库没有的汉字串 2271 个，选过两次以上的 449 个，最常见的是 我的（57 次）/ 好的 / 都是 / 更好 / 我觉得 / 而不是。
它们不是「新词」，是常用词表（liuxilu 5.6 万条）按词典收词原则不收的组合；mine 挖语料那步的虚词规则又把含 的 / 不 / 是 / 有 的全滤掉了。
所以缺的不是数据新旧，是「人会整块打出来」的短语层。
挖法：dict-convert phrases
- 语料按词库分词，两遍扫：第一遍数相邻两词，第二遍数两段二元都够频的相邻三词。
- 次数按语料文件分开数，总次数与对话语料（LCCC）里的次数都要 ≥ 2000：维基里的模板句（一个市镇、面积为、人口密度）次数再高也不是人会打的。
- 不用点互信息：虚词组合的 PMI 天然低，而它们正是要收的。只用边界规则（
phrases/rules.rs）： 不以 的了着得地吗吧呢啊 开头，不以 不没很太也都又再才还把被和与及或而且但 与数词结尾；代词 + 了 / 这 / 那 是碎片； 单字 + 代词只认 给让帮等找叫送陪问那… 这些（给我 / 那我 成，这你 / 天你 不成）；次数刚过线的再套「单字 + 的 只认代词」「是 / 在 + 单字不要」， 够常见的（≥ 5 倍下限）不套——好的 / 真的 / 是啥 是人天天打的，多的 / 岁的 / 是新 不是。 - 笑声串不算相邻：你哈哈哈 切成 你 / 哈哈 / 哈，一个 哈 token 挨着另一个 哈 时含它的窗口不计，否则 你 + 哈哈 会灌成高频短语。 孤立的 哈 照常，所以 你哈（谢谢你哈，LCCC 三千多次）仍在——它是真的。
- 读音由成分词拼出（同一个词多个读音取词频最高的），不用再标多音字；
--extra-words文件加了第三列拼音，lexicon给了就不按字猜。 - 结果 5398 条（二词 4300 多、三词 1100 左右），人工抽样精度约九成，覆盖日志 449 个缺词里的 188 个（语料里 ≥ 20 次的 299 个里 170 个）。 剩下的是 词库 / 对齐 / 后端 这类语料里少的领域词，与 是不 / 看一 这类日志里接受的碎片。
- 词库已并入短语后重跑要
--refresh assets/lexicon/phrases.tsv：不摘掉上次的短语，我的 就是一个词，挖不出 我 + 的（踩过：只挖出 34 条）。
进语言模型的三种接法（都在同一份冻结日志 + 整句评测集上比）
| 接法 | 整句评测集首选 | 回放 词 | 回放 整句 |
|---|---|---|---|
| 改前 | 37.6% | 8032 | 3045 |
| A 短语当 token 重训 bigram | 38.4% | 8092 | 2878 |
| B 语言模型不动、短语只进词库 | 37.6% | 8067 | 2929 |
| C 分词摘掉短语、统计完按成分合成计数（采用） | 37.6% | 8064 | 2978 |
A 的整句评测涨了 0.8 个点（短语 token 相当于给了三元上下文），但回放掉 5 个点，看明细两个机制： ① 二十 压过 而是——短语当 token 后语料里的「而是」都归了 token，「而 + 是」的二元证据没了，而是 的一元又比 二十 低； ② 不对 / 不在 / 等会 / 放到 这类整句恰好是一个词的，以前是 Viterbi 路径 不 + 对 当整句候选排最前，现在整段是一个词就不出整句候选， 按词级排序放，部队 这种维基高频词压上来。B 没有①，但②仍在：短语对语言模型是未知词，兜底扣 4 nat。
C 是 bigram --phrases：分词时把短语摘掉（二元证据保住），统计完给每条短语合成
一元 = c(a,b)、前接 c(v,短语) = c(v,a)·c(a,b)/c(a)、后接 c(短语,w) = c(a,b)·c(b,w)/c(b)，
于是 P(短语|v) = P(a|v)·P(b|a)、P(w|短语) = P(w|b)，短语在词图与词级排序里的得分与原来走两个词的路径一样，只是多了个能整块选的词。
合成行 186 万条另加、不占真实二元行的 300 万名额（占了会把低频真实行挤掉，整句评测掉 0.4）；lm.qj 29 MB → 44 MB，加载仍在 100 ms 内。
C 的回放整句 −67 是什么
新增没命中 75 条、修好 30 条。75 条里：
- 一半以上是尺子偏差：旧引擎没有 那就是 / 你可以 / 我现在 / 然后就是 这些短语，用户当时只能选前缀 那就 / 你可 / 我先 再接着打， 日志记的是前缀；现在短语排第一、前缀第二，反而对。沃德 压 我的 也是回放早期从日志学了 沃德。
- 十来条真翻转：猜对 / 才对、不听 / 不停、没法 / 没发、说道 / 说到、要得 / 要的、在哪 / 在那、回事 / 会是。 这是聊天语料的先验与这个用户的习惯不一致，两边都是合法短语；个人学习选一次就翻回来。
- 比较好 / 比较高（
bijiaogao）：短语的一元是它真实的出现概率，比原来两步路径的乘积略高（差约 1 nat），刚好让邻键纠错 g → h 赢了。 整句评测集里没有敲错，所以那把尺子看不到这一类；量小，先不管。
品牌词
assets/lexicon/brand.tsv：青简 210，既是词频也写进语言模型一元（句首二元按八分之一算，与 请柬 的句首占比一致）。
只写词频没用：词级排序用语言模型概率，语料里没有的词兜底扣 4 nat，青简 排不进前三；句首二元给整个 210 又压过了整句 请见。
目标是 qingjian 下 请见（整句）/ 青简 / 请柬 的顺序，用户选一次个人学习就把它顶到第一。
复现
cargo run --release -p qingjian-dict-convert -- phrases data/corpus/*.txt # 重跑加 --refresh assets/lexicon/phrases.tsv
cp data/generated/phrases.tsv assets/lexicon/phrases.tsv
cargo run --release -p qingjian-dict-convert -- lexicon --pinyin data/generated/pinyin-llm.jsonl --frequency data/generated/lm-unigram.tsv \
--extra-words assets/lexicon/mined_words.tsv --extra-words assets/lexicon/phrases.tsv --extra-words assets/lexicon/brand.tsv
cargo run --release -p qingjian-dict-convert -- bigram --phrases assets/lexicon/phrases.tsv --phrases assets/lexicon/domain_words.tsv --brand assets/lexicon/brand.tsv data/corpus/*.txt
再 pack dict / pack lm（bundle.sh 会做），然后 --eval-text data/eval/sentences.tsv 与 --replay 冻结日志各跑一遍与改前比。