本文已参与「新人创作礼」活动,一起开启掘金创作之路。
一、前言
1、什么是分词
在讲分词算法之前,先来研究一下什么是分词?
分词是将语句按照语境,以字词为单位划分的一个过程,如下图所示:
2、为什么需要分词
那为什么需要分词呢?笔者认为主要有一下几个原因:
1、汉语的基本组成单位是字词,造成了字词成为了理解语句的基本单位(这其实是文化思维定式)
2、中文的自然语言处理技术好多事借鉴于英文的,而英文语句是单词构成语句,以空格分隔,在处理上也就就从单词角度为起点
3、人类的思维方式很容易以自我意识为主导,习惯于将自己的认知方式赋予其他生物或者机器,我们从字词开始理解语言,也认为机器需要从字词开始…
二、最大正向匹配算法
1、原理
本文主要讲述一种比较传统的分词算法–最大正向匹配算法,所谓的最大正向,也就是从句子左侧开始匹配,匹配到的词以最大长度为准,当然有最大正向,也就有最大逆向,双向等等。从匹配两个字可以看出该算法的核心在于匹配,而且是彻彻底底地基于词典的匹配!
看到这里你可能会觉得很low,没错,就是很low,但这是因为我们站在高等生物的角度去俯瞰它,俯瞰的同时,我们心中还有个对比参照的词,那就是智能!
你想象那是一个机器,一个只认识01代码的家伙,更深了说,它连0和1都不认识,只认识有电和没电,这样一想,你或许觉得该算法也没那么low!
扯完了题外话,下面说一说他的原理。
(1)第一步:定义词典
既然是基于词典的匹配,那我们首先的有个词典,这个词典里包含了我们所要使用各种词语:
words= ["你好","查询","城市","天气","明天","后天","今天","如花似玉"...]
(2)定义需要分词句子
input_sentence = "你好,帮我查询一下明天的天气"
(3)选取词典中最大匹配长度
max_match_length = len("如花似玉") = 4
(4)开始匹配
截取input_sentence的前四位,进行正向匹配 :
match_sentence = input_sentence[0:4] = "你好,帮"
在词典words中无法匹配,此时去掉match_sentence的最后一位,剩下的匹配句子为:
match_sentence = "你好,"
在词典words中依旧无法匹配,此时去掉match_sentence的最后一位,剩下的匹配句子为:
match_sentence = "你好"
发现“你好”在词典words中,那么得到第一个分词结果
cut_result = ["你好"]
此时,剩下需要分词的句子为:
input_sentence = input_sentence - match_sentence
= "你好,帮我查询一下明天的天气" - "你好" = ",帮我查询一下明天的天气"
依旧截取input_sentence的前四位 :
match_sentence = input_sentence[0:4] = ",帮我查"
在词典words中无法匹配,此时去掉match_sentence的最后一位,剩下的匹配句子为:
match_sentence = ",帮我"
# 没有匹配上,去除最后一位
match_sentence = ",帮"
# 没有匹配上,去除最后一位
match_sentence = ","
# 遇到单字没有匹配上,独立为一个词
# 此时分词结果为
cut_result = ["你好",","]
# 还剩余的句子
input_sentence = "帮我查询一下明天的天气"
重复上述的过程,最后得到分词结果为:
cut_result = ["你好",",","帮","我","查询","一下","明天","的","天气"]
2、代码实战
由于本人懒,之前写过Java的,直接搬过来了,就不转化为Python版本了,相信表达方式的差异化并不会影响到事物的原理本身(你就是不想写,废话那么多)!
/**
* 分词功能 基于最大正向匹配算法
* @param message
*/
public List<String > cut(String message) {
List<String > cutResult = new ArrayList <String>();
while (message.length() > 0) {
String matchMessage = message.substring(0, this.maxWordLength>message.length()?message.length():this.maxWordLength);
while (!words.contains(matchMessage)) {
if (matchMessage.length() > 1) {
matchMessage = matchMessage.substring(0, matchMessage.length() - 1);
} else{
break;
}
}
cutResult.add(matchMessage);
message = message.substring(matchMessage.length());
}
return cutResult;
}