Python自然语言处理之切分算法详解

一、前言

我们需要分析某句话，就必须检测该条语句中的词语。

一般来说，一句话肯定包含多个词语，它们互相重叠，具体输出哪一个由自然语言的切分算法决定。常用的切分算法有完全切分、正向最长匹配、逆向最长匹配以及双向最长匹配。

本篇博文将一一介绍这些常用的切分算法。

二、完全切分

完全切分是指，找出一段文本中的所有单词。

不考虑效率的话，完全切分算法其实非常简单。只要遍历文本中的连续序列，查询该序列是否在词典中即可。上一篇我们获取了词典的所有词语dic，这里我们直接用代码遍历某段文本，完全切分出所有的词语。代码如下：

from pyhanlp import *


def load_dictionary():
    IOUtil = JClass('com.hankcs.hanlp.corpus.io.IOUtil')
    path = HanLP.Config.CoreDictionaryPath.replace('.txt', '.mini.txt')
    dic = IOUtil.loadDictionary([path])
    return set(dic.keySet())


def fully_segment(text, dic):
    list = []
    for i in range(len(text)):
        for j in range(i + 1, len(text) + 1):
            temp = text[i:j]
            if temp in dic:
                list.append(temp)
    return list


if __name__ == "__main__":
    dic = load_dictionary()
    print(fully_segment("在绝对实力面前，一切的说辞都是枉然", dic))

可以看到，完全切分算法输出了文本中所有的单字与词汇。
这里的算法原理是：开始遍历单个字，以该字为首，将后面每个字依次组合到单个字中，分析出这些组合字句是否在词典中。第二次，从第二个字开始，组合后面的字，以此类推。不懂的看下图就明白了。

三、正向最长匹配

虽然说完全切分能获取到所有出现在字典中的单词，单字，但是我们获取语句中单字一般来说没有任何意义，我们更希望获取的是中文分词，那种具有意义的词语序列。

比如，上面我们希望“绝对实力”成为一整个词，而不是“绝对”+“实力”之类的碎片。为了达到这个目的，我们需要完善一下我们的算法。考虑到越长的单词表达的意义更加的丰富，于是我们定义单词越长优先级越高。

具体来说，就是在某个下标为起点递增查词的过程中，优先输出更长的单词，这种规则被称为最长匹配算法。该下标的扫描顺序如果从前往后，则称为正向最长匹配，反之则为逆向最长匹配。

下面，我们来实现正向最长匹配，代码如下：

def forward_segment(text, dic):
    list = []
    i = 0
    while i < len(text):
        long_word = text[i]
        for j in range(i + 1, len(text) + 1):
            word = text[i:j]
            if word in dic:
                if len(word) > len(long_word):
                    long_word = word
        list.append(long_word)
        i += len(long_word)
    return list

算法的原理：首先通过while循环判断i是否超出了字符串的大小，如果没有，获取当前第一个字符串为第一个最长匹配结果，接着遍历第一个字符串的所有可能组合结尾，如果在字典中，判断当前词语是否大于前面的最长匹配结果，如果是替换掉最长。遍历完成之后，将最长的结果添加到列表中，然后再获取第二字符，遍历所有结尾组合，获取最长匹配。以此类推。

四、逆向最长匹配

既然了解了正向如何匹配，那么逆向算法应该也很好写。代码如下：

def backward_segment(text, dic):
    list = []
    i = len(text) - 1
    while i >= 0:
        long_word = text[i]
        for j in range(0, i):
            word = text[j:i + 1]
            if word in dic:
                if len(word) > len(long_word):
                    long_word = word
                    break
        list.append(long_word)
        i -= len(long_word)
    return list

算法的原理：就是上面的正向反过来，但是这里并不是倒推文字，文字还是按语句的顺序，但是长度是从最长到最短，也就是遇到第一个就可以返回了添加了。比正向最长匹配算法节约时间。

五、双向最长匹配

虽然逆向比正向节约时间，但本身有一个很大的漏洞。假如我现在的句子中有一段“项目的”字符串，那么正向会出现“项目”，“的”两个词汇，而逆向会出现：“项”，“目的”两个词汇。

为此，我们的算法工程师提出了新的匹配规则，双向最长匹配。这是一种融合两种匹配方法的复杂规则，流程如下：

同时执行正向和逆向最长匹配，若两者的词数不同，则返回词数更少的一个否则，返回两者中单字更少的那一个。当单字也相同时，优先返回逆向最长匹配结果

具体代码如下：

#统计单字个数
def count_single_char(list):
    return sum(1 for word in list if len(word) == 1)

#双向匹配算法
def bidirectional_segment():
    f = forward_segment("在绝对实力面前，一切的说辞都是枉然", dic)
    b = backward_segment("在绝对实力面前，一切的说辞都是枉然", dic)
    if len(f) < len(b):
        return f
    elif len(f) > len(b):
        return b
    else:
        if count_single_char(f)<count_single_char(b):
            return f
        else:
            return b

到此这篇关于Python自然语言处理之切分算法详解的文章就介绍到这了,更多相关python切分算法内容请搜索猪先飞以前的文章或继续浏览下面的相关文章希望大家以后多多支持猪先飞！