一、前言

我們需要分析某句話，就必須檢測(cè)該條語(yǔ)句中的詞語(yǔ)。

一般來(lái)說(shuō)，一句話肯定包含多個(gè)詞語(yǔ)，它們互相重疊，具體輸出哪一個(gè)由自然語(yǔ)言的切分算法決定。常用的切分算法有完全切分、正向最長(zhǎng)匹配、逆向最長(zhǎng)匹配以及雙向最長(zhǎng)匹配。

本篇博文將一一介紹這些常用的切分算法。

二、完全切分

完全切分是指，找出一段文本中的所有單詞。

不考慮效率的話，完全切分算法其實(shí)非常簡(jiǎn)單。只要遍歷文本中的連續(xù)序列，查詢?cè)撔蛄惺欠裨谠~典中即可。上一篇我們獲取了詞典的所有詞語(yǔ)dic，這里我們直接用代碼遍歷某段文本，完全切分出所有的詞語(yǔ)。代碼如下：

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("在絕對(duì)實(shí)力面前，一切的說(shuō)辭都是枉然", dic))

可以看到，完全切分算法輸出了文本中所有的單字與詞匯。
這里的算法原理是：開(kāi)始遍歷單個(gè)字，以該字為首，將后面每個(gè)字依次組合到單個(gè)字中，分析出這些組合字句是否在詞典中。第二次，從第二個(gè)字開(kāi)始，組合后面的字，以此類推。不懂的看下圖就明白了。

三、正向最長(zhǎng)匹配

雖然說(shuō)完全切分能獲取到所有出現(xiàn)在字典中的單詞，單字，但是我們獲取語(yǔ)句中單字一般來(lái)說(shuō)沒(méi)有任何意義，我們更希望獲取的是中文分詞，那種具有意義的詞語(yǔ)序列。

比如，上面我們希望“絕對(duì)實(shí)力”成為一整個(gè)詞，而不是“絕對(duì)”+“實(shí)力”之類的碎片。為了達(dá)到這個(gè)目的，我們需要完善一下我們的算法。考慮到越長(zhǎng)的單詞表達(dá)的意義更加的豐富，于是我們定義單詞越長(zhǎng)優(yōu)先級(jí)越高。

具體來(lái)說(shuō)，就是在某個(gè)下標(biāo)為起點(diǎn)遞增查詞的過(guò)程中，優(yōu)先輸出更長(zhǎng)的單詞，這種規(guī)則被稱為最長(zhǎng)匹配算法。該下標(biāo)的掃描順序如果從前往后，則稱為正向最長(zhǎng)匹配，反之則為逆向最長(zhǎng)匹配。

下面，我們來(lái)實(shí)現(xiàn)正向最長(zhǎng)匹配，代碼如下：

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：首先通過(guò)while循環(huán)判斷i是否超出了字符串的大小，如果沒(méi)有，獲取當(dāng)前第一個(gè)字符串為第一個(gè)最長(zhǎng)匹配結(jié)果，接著遍歷第一個(gè)字符串的所有可能組合結(jié)尾，如果在字典中，判斷當(dāng)前詞語(yǔ)是否大于前面的最長(zhǎng)匹配結(jié)果，如果是替換掉最長(zhǎng)。遍歷完成之后，將最長(zhǎng)的結(jié)果添加到列表中，然后再獲取第二字符，遍歷所有結(jié)尾組合，獲取最長(zhǎng)匹配。以此類推。

四、逆向最長(zhǎng)匹配

既然了解了正向如何匹配，那么逆向算法應(yīng)該也很好寫(xiě)。代碼如下：

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：就是上面的正向反過(guò)來(lái)，但是這里并不是倒推文字，文字還是按語(yǔ)句的順序，但是長(zhǎng)度是從最長(zhǎng)到最短，也就是遇到第一個(gè)就可以返回了添加了。比正向最長(zhǎng)匹配算法節(jié)約時(shí)間。

五、雙向最長(zhǎng)匹配

雖然逆向比正向節(jié)約時(shí)間，但本身有一個(gè)很大的漏洞。假如我現(xiàn)在的句子中有一段“項(xiàng)目的”字符串，那么正向會(huì)出現(xiàn)“項(xiàng)目”，“的”兩個(gè)詞匯，而逆向會(huì)出現(xiàn)：“項(xiàng)”，“目的”兩個(gè)詞匯。

為此，我們的算法工程師提出了新的匹配規(guī)則，雙向最長(zhǎng)匹配。這是一種融合兩種匹配方法的復(fù)雜規(guī)則，流程如下：

同時(shí)執(zhí)行正向和逆向最長(zhǎng)匹配，若兩者的詞數(shù)不同，則返回詞數(shù)更少的一個(gè)否則，返回兩者中單字更少的那一個(gè)。當(dāng)單字也相同時(shí)，優(yōu)先返回逆向最長(zhǎng)匹配結(jié)果

具體代碼如下：

#統(tǒng)計(jì)單字個(gè)數(shù)
def count_single_char(list):
    return sum(1 for word in list if len(word) == 1)

#雙向匹配算法
def bidirectional_segment():
    f = forward_segment("在絕對(duì)實(shí)力面前，一切的說(shuō)辭都是枉然", dic)
    b = backward_segment("在絕對(duì)實(shí)力面前，一切的說(shuō)辭都是枉然", 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

到此這篇關(guān)于Python自然語(yǔ)言處理之切分算法詳解的文章就介紹到這了,更多相關(guān)python切分算法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！