词法分析-中文分词技术-正向最大匹配法与逆向最大匹配法
词法分析-中文分词技术-正向最大匹配法与逆向最大匹配法
Type真是太帅了
于 2018-12-31 13:20:07 发布
1930
收藏 1
分类专栏: 编程
版权
编程
专栏收录该内容
15 篇文章0 订阅
订阅专栏
Long Time No See...
最近深受痛苦的折磨,这一年来所有的事跌宕起伏,如同一瞬,一个个打击接踵而至,从年初的各种擦边挂,到各种失败,各种放弃,似乎没有发生一个顺心的事,不知道从什么时候起戾气变得越来越重,更无与人说。不管如何,“尽吾志也而不能至者,可以无悔矣,其孰能讥之乎?”……
我决定重拾包袱,从最初开始,从现在开始……
因为考研耽误了好多事,包括友谊,包括学习,在这就边做实验边复习点这学期的知识。
词法分析:把字符串序列转化为单词序列的过程,进行词法分析的函数或程序叫作词法分析器或扫描器。
例如:“XXXXXXXXXXX”->"X/XX/X/XX/X/X/X/X/X"
中文分词技术:把一句话根据词语字典切分为若干个词语。方法大体分为三类:字符匹配法、理解法、统计法,字符匹配法包括正向最大匹配、逆向最大匹配、最少切分、双向最大匹配等。
本次任务:给定字典,[‘研究’,’研究生’, ’生命’,’命’,’的’,‘起源’],使用正向最大匹配(Maximum Match Method,MM)和逆向最大匹配(Reverse Maximum Match Method,RMM)对“研究生命的起源”进行切分。
MM:
Step 1 假定分词词典中的最长词有i个汉字字符,则用被处理的当前字串中的前i个字作为匹配字段,查找字典。
Step 2 若字典中存在这样一个i字词,则匹配成功;否则,失败,将匹配字段中的最后一个字符去掉, 对剩下字串进行匹配。 Step 3 如此进行下去,直到匹配成功,即切分出一个词或剩余字串长度为0。 不停的匹配,直到文档被扫描完为止。
编程思路:第一步求词典中最长分词的长度,设为maxlen。设cobegin为源字符串时匹配的开始字符下标。cobegin初始为0,设coend为字符串的末尾下标的下一个,即coend=len(s)
第二步,设切分的大小为size,初始化为maxlen,如果切下的s[cobegin:cobegin+size]在字典中,则把切下的放在一个列表中,并cogebin=cobegin+size 且size重置为maxlen,否则size减1,重新匹配,当size为0且cobegin<coend 时,则表明无法将切分完毕;当cobegin>=coend时,退出循环。
代码实现 MaxMatch.py
dic=['研究','研究生','生命','命','的','起源']
out=[]
s='研究生命的起源'
maxlen=0 #字典中最大分词长度
for i in dic:
if maxlen<len(i):
maxlen=len(i)
cobegin=0 #剩余字符开始
coend=len(s) #剩余字符结束
size=maxlen #开始匹配长度
while cobegin<coend:
ch=s[cobegin:cobegin+size]
if ch in dic:#匹配成功
cobegin+=size
out.append(ch)
size=maxlen
else: #匹配失败
size-=1
if size==0:
print("error")
break
最后结果:
好像不太对的样子,我意为自己写错了从网上复制了一个c++的代码(忘了在哪个博客找到的),运行,还是这个结果:
MM.cpp:
#include<iostream>
#include<string>
using namespace std;
// 宏,计算数组个数
#define GET_ARRAY_LEN(array,len){len=(sizeof(array)/sizeof(array[0]));}
string dict[] = {"研究", "研究生", "生命", "命", "的","起源"};
// 是否为词表中的词或者是词表中词的前缀
bool inDict(string str)
{
bool res = false;
int i;
int len = 0;
GET_ARRAY_LEN(dict, len);
for (i = 0; i<len; i++)
{
// 是否和词表词相等或者是词表词前缀
if( str == dict[i].substr(0, str.length()))
{
res = true;
}
}
return res;
}
int main()
{
string sentence = "研究生命的起源";
string word = "一";
int wordlen = word.length();
int i;
string s1 = "";
for (i = 0; i<sentence.length(); i = i+wordlen)
{
string tmp = s1 + sentence.substr(i, wordlen);
if(inDict(tmp))
{
s1 = s1 + sentence.substr(i, wordlen);
}
else
{
cout<<"分词结果:"<<s1<<endl;
s1 = sentence.substr(i, wordlen);
}
}
cout<<"分词结果:"<<s1<<endl;
}
结果还是一样:
RMM:原理和MM类似,唯一不同的时候匹配是倒着匹配(从字符串的最后开始),然后对最后切分的字段进行逆置即可。
ReMaxMatch.py:
import math
dic=['研究','研究生','生命','命','的','起源']
out=[]
s='研究生命的起源'
maxlen=0 #字典中最大分词长度
for i in dic:
if maxlen<len(i):
maxlen=len(i)
cobegin=0 #剩余字符开始
coend=len(s) #剩余字符结束
size=maxlen #开始匹配长度
while cobegin<coend:
ch=s[coend-size:coend]
if ch in dic:#匹配成功
coend-=size
out.append(ch)
size=maxlen
else: #匹配失败
size-=1
if size==0:
print("error")
break
i=0
while i<math.floor(len(out)/2): #逆置
str1=out[i]
out[i]=out[len(out)-i-1]
out[len(out)-i-1]=str1
i+=1
结果:
两者的差异:
正向匹配时会优先选择匹配长度更长的单词,但同一前缀的单词并不是越长就越正确,逆向同理会匹配同一后缀匹配长度更长的单词,两者都有其局限性,需要做出一定的优化,比如使用最小切分法和双向切分等。
————————————————
版权声明:本文为CSDN博主「Type真是太帅了」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/qq_36614557/article/details/85458057
词法分析-中文分词技术-正向最大匹配法与逆向最大匹配法相关推荐
- NLP词法分析(一):中文分词技术
文分词介绍 中文分词相较于英文分词要难许多,因为英文本身就是由单词与空格组成的,而中文则是由独立的字组成的,但同时语义却是有词来表达的.因此对于中文的分析与研究,首先应寻找合适的方法进行分词.现有的中 ...
- NLP|中文分词技术及应用
摘要:中文分词是中文信息处理的重要基础,本文详细阐述了目前主要的几种中文分词算法的技术原理 .中文分词目前的瓶颈和评价准则,以及中文分词的具体应用. 中文分词指将一个汉字序列切分成一个个单独的词.现有 ...
- NLP学习(二)中文分词技术
运行平台: Windows Python版本: Python3.x IDE: PyCharm 一. 前言 这篇内容主要是讲解的中文分词,词是一个完整语义的最小单位.分词技术是词性标注.命名实体识别.关 ...
- NLP学习(二)—中文分词技术
本次代码的环境: 运行平台: Windows Python版本: Python3.x IDE: PyCharm 一. 前言 这篇内容主要是讲解的中文分词,词是一个完整语义的最小单位.分词技术是词 ...
- 【原创】NLP中的中文分词技术
NLP中的中文分词技术 作者:mjs (360电商技术组) 随着需求的变化和技术的发展,互联网企业对数据的分析越来越深入,尤其是自然语言处理处理领域,近几年,在搜索引擎.数据挖掘.推荐系统等应用方 ...
- 中文分词技术之基于规则分词
中文分词技术之基于规则分词 基于规则分词的基本思想 正向最大匹配法 逆向最大匹配法 双向最大匹配法 总结 词是中文语言理解中最小的能独立运用的语言单位.中文的词与词之间没有明显分隔标志,因此在分词技术 ...
- 【Python自然语言处理】中文分词技术——规则分词
中文分词方法 本文参考自书籍<Python自然语言处理实战:核心技术与算法> 用做个人的学习笔记和分享 1. 规则分词 规则分词是一种机械分词方法,主要通过维护词典,在切分语句时将语句的每 ...
- NLP+词法系列(二)︱中文分词技术简述、深度学习分词实践(CIPS2016、超多案例)
摘录自:CIPS2016 中文信息处理报告<第一章 词法和句法分析研究进展.现状及趋势>P4 CIPS2016 中文信息处理报告下载链接:http://cips-upload.bj.bce ...
- 中文分词技术比较:单字切分 vs 中文分词
全文信息检索系统中,创建倒排索引时应当使用什么分词方式一直是众说纷纭,毫无定论. 具我所知,已有某某 paper "研究指出"采用二元切分的方式构建索引是"最好的& ...
最新文章
- Android 使用ORMLite 操作数据库
- Luogu P3830 [SHOI2012]随机树 | 期望 DP
- AUTOSAR从入门到精通100讲(三十二)-AutoSar之实时环境RTE
- 很遗憾AI还不能审查出儿童性侵录像:沙漠也被当成小黄片
- centos7源码编译安装mariadb
- Codeforces Gym101205D:Fibonacci Words(KMP+递推)
- 轻量级网页安全漏洞扫描工具-Wapiti
- Linux批量文件名大小写转换,Linux中批量把文件名大小写转换
- c语言身高和标准体重,c语言4-15 输出标准身高体重对照表
- ios 设备获取idfa_通过Safari浏览器获取iOS设备UDID(设备唯一标识符)
- 扫雷android设计思路,Flash扫雷游戏设计思路与步骤(4)
- 阿里云服务器遭ddos攻击防御案例
- python的运算符(上)
- 后台服务器用户管理模块的解析
- Anti_TexturePacker工具
- you-get使用方法
- 收支系统(超超超简版)1.0
- 微型计算机在cad和cam中,CAM CAD考试题
- 计算机网络接口 rj45类型,RJ45接口是什么 RJ45接口分类
- Android2023暑期实习---网易游戏一面面经
热门文章
- java swing 树_Java Swing JTree 树形
- Netty详解(六):Netty 编解码技术
- 手机4k读写速度测试软件,4K扇区速度测试及读写IOPS_Intel 520_固态硬盘评测-中关村在线...
- 代码大全阅读笔记02
- Codeup 问题 B: 算法7-16:弗洛伊德最短路径算法
- 新手看看如何发布一个网站
- apache-jmeter-3.1的简单压力测试使用方法(下载和安装)
- *1408素数回文数的个数
- Matlab使用技巧:Rapid Code Iteration Using Cells in the Editor
- JNI错误记录--JNI程序调用本地库时JVM崩溃