hanlp源码解析之中文分词算法

词图

词图指的是句子中所有词可能构成的图。如果一个词A的下一个词可能是B的话，那么A和B之间具有一条路径E(A,B)。一个词可能有多个后续，同时也可能有多个前驱，它们构成的图我称作词图。

需要稀疏2维矩阵模型，以一个词的起始位置作为行，终止位置作为列，可以得到一个二维矩阵。例如：“他说的确实在理”这句话

图词的存储方法：一种是的DynamicArray法，一种是快速offset法。Hanlp代码中采用的是第二种方法。

1、DynamicArray（二维数组）法

在词图中，行和列的关系：col为n 的列中所有词可以与row为n 的所有行中的词进行组合。例如“的确”这个词，它的col =5，需要和它计算平滑值的有两个，分别是row =5的两个词：“实”和“实在”。但是在遍历和插入的时候，需要一个个比较col和row的关系，复杂度是O(N)。

2、快速offset

一个一维数组，每个元素是一个单链表

“的确”的行号是4,长度是2,4+2=6，于是第六行的两个词“实/实在”就是“的确”的后续。

同时这种方法速度非常快，插入和查询的时间都是O(1)。

Hanlp核心词典：

最短路径算法—viterbi（动态规划路径）

Frequency:核心词典中的词频

nTwoWordsFreq:共现词频

intMAX_FREQUENCY= 25146057

double dTemp =(double) 1 / MAX_FREQUENCY +0.00001

dSmoothingPara =0.1

Viterbi最短路径有向图

1、计算过程从上至下，根据计算出的权重值

变更前驱结点，保证前驱结点唯一（动态规划路径）

2、计算结束后，从最后一个结点开始取出term

,依次取出该结点的前驱结点即可

分词结果：理，在，确实，的，说，他

文章来源于亚当-adam的博客

转载于:https://www.cnblogs.com/tiantiankong/p/10365575.html

hanlp源码解析之中文分词算法相关推荐

Zbar源码解析——实现中文解码|2021SC@SDUSC
2021SC@SDUSC 修改文件 zbar/qrcode/qrdectxt.c: latin1_cd=iconv_open("GB18030","UTF-8" ...
中文分词算法工具hanlp源码解析
词图词图指的是句子中所有词可能构成的图.如果一个词A的下一个词可能是B的话,那么A和B之间具有一条路径E(A,B).一个词可能有多个后续,同时也可能有多个前驱,它们构成的图我称作词图. 需要稀疏2维 ...
中文分词算法python代码_中文分词算法之最大正向匹配算法（Python版）
最大匹配算法是自然语言处理中的中文匹配算法中最基础的算法,分为正向和逆向,原理都是一样的. 正向最大匹配算法,故名思意,从左向右扫描寻找词的最大匹配. 首先我们可以规定一个词的最大长度,每次扫描的时候 ...
以太坊Geth 共识算法源码解析
共识算法目前以太坊中有两个公式算法的实现,分别为clique和ethash.其中clique是PoA共识的实现,ethash是PoW共识的实现,其相应的代码位于go-ethereum/consens ...
《Attention is all you need》源码解析+算法详解
Attention is all you need 源码解析最近学习Transformer模型的时候,并且好好读了一下Google的<Attention is all you need> ...
【深度学习模型】智云视图中文车牌识别源码解析(二)
[深度学习模型]智云视图中文车牌识别源码解析(二) 感受 HyperLPR可以识别多种中文车牌包括白牌,新能源车牌,使馆车牌,教练车牌,武警车牌等. 代码不可谓不混乱(别忘了这是职业公司的准产品级代码 ...
Mmseg中文分词算法解析
Mmseg中文分词算法解析 @author linjiexing 开发中文搜索和中文词库语义自己主动识别的时候,我採用都是基于mmseg中文分词算法开发的Jcseg开源project.使用场景涉及搜索 ...
weiler-atherton多边形裁剪算法_EAST算法超详细源码解析：数据预处理与标签生成...
作者简介 CW,广东深圳人,毕业于中山大学(SYSU)数据科学与计算机学院,毕业后就业于腾讯计算机系统有限公司技术工程与事业群(TEG)从事Devops工作,期间在AI LAB实习过,实操过道路交通元 ...
[Vue源码解析] patching算法
[Vue源码解析] patching算法 pathching算法:通过对比新旧VNode的不同,然后找出需要更新的节点进行更新操作:1.创建新增节点 2.删除废弃节点 3.修改需要更新的节点创建节 ...

hanlp源码解析之中文分词算法

hanlp源码解析之中文分词算法相关推荐

最新文章

热门文章