最近在学自然语言处理,这是第一个上机实验自然语言处理的分词算法,也是自然语言处理比较入门的算法。和大家分享一下。
首先,自然语言处理,英文是(Nature Language Process),简称“NLP"。是人工智能发展的的热门方向,也是和人交互最为相关的人工智能的应用方向。因为是和人打交道,那么需要以人的交流方式–语言来进行交互。
下面给大家介绍NLP里面最基础的算法–分词算法。
一个好的NLP系统一定要有完备的词典,用于判断算法分出的词是否是具有实际意义的词。比如,“吃饭”,“睡觉”等。从而过滤掉那些没有实际意义的词。比如,“的是”,“是吃”等。
目前比较熟著名且成熟的词典有:
搜狗实验室发布的互联网词库(SogouW,其中有15万个词条)
清华大学开放中文词库(THUOCL)
码农场千万级巨型汉语词库(千万级词条)
这里介绍常用的切分算法,具体分为完全切分、正向最长匹配、逆向最长匹配、双向最长匹配算法。
2.1 完全切分完全切分指的是,找出一段文本中的所有有意义单词,不是标准意义上的分词。
具体实现在代码实现部分的fully_segment的函数部分
就是说从前往后,递增查词,优先输出更长的单词。
具体实现在代码实现部分的forward_segment的函数部分
与正向最长匹配相反,从后往前,递减查词,优先输出更长的单词,据统计这种方法更具可靠性。
具体实现在代码实现部分的backward_segment的函数部分
属于对正向最长匹配和逆向匹配的折中方案。属于融合两种匹配方法的复杂规则集,流程如下:
1.同时执行正向最长匹配和逆向最长匹配,若两者的次数不同,则返回次数更少的那一个。
2.如果相等,返回两者中单字更少的那一个,当单子数也相同时,优先返回逆向最长匹配的结果。
具体实现在代码实现部分的all_segment的函数部分
这里引用了几个经典的例子。读者可以自行修改体验。运行代码时,要输入的句子可以是“项目的研究”“商品和服务”“研究生命起源”“当下雨天地面积水”“结婚的和尚未结婚的”“欢迎新老师生前来就餐”。
def select_word(text): result = 0 for i in text: if(len(i)==1): result += 1 return result def fully_segment(text,dic): word_list = [] for i in range(len(text)): for j in range(i+1,len(text)+1): word=text[i:j] if word in dic: word_list.append(word) return word_list def forward_segment(text,dic): word_list = [] i = 0 while(ilen(longest_word): longest_word = word word_list.append(longest_word) i += len(longest_word) return word_list def backward_segment(text,dic): word_list = [] i = len(text)-1 while(i>=0): longest_word = text[i] for j in range(0,i): word = text[j:i+1] if word in dic: if len(word)>len(longest_word): longest_word = word word_list.insert(0,longest_word) i -= len(longest_word) return word_list def all_segment(text,dic): list_forward = forward_segment(text,dic) list_backward = backward_segment(text,dic) list_final = [] if(len(list_forward)>len(list_backward)): list_final = list_backward[:] elif(len(list_forward) select_word(list_backward)): list_final = list_backward[:] elif(select_word(list_forward) 输出结果分析
序号 原文 正向最长匹配 逆向最长匹配 双向最长匹配 1 项目的研究 [‘项目’, ‘的’, ‘研究’] [‘项’, ‘目的’, ‘研究’] [‘项’, ‘目的’, ‘研究’] 2 商品和服务 [‘商品’, ‘和服’, ‘务’] [‘商品’, ‘和’, ‘服务’] [‘商品’, ‘和’, ‘服务’] 3 研究生命起源 [‘研究生’, ‘命’, ‘起源’] [‘研究’, ‘生命’, ‘起源’] [‘研究’, ‘生命’, ‘起源’] 4 当下雨天地面积水 [‘当下’, ‘雨天’, ‘地面’, ‘积水’] [‘当’, ‘下雨天’, ‘地面’, ‘积水’] [‘当下’, ‘雨天’, ‘地面’, ‘积水’] 5 结婚的和尚未结婚的 [‘结婚’, ‘的’, ‘和尚’, ‘未’, ‘结婚’, ‘的’] [‘结婚’, ‘的’, ‘和’, ‘尚未’, ‘结婚’, ‘的’] [‘结婚’, ‘的’, ‘和’, ‘尚未’, ‘结婚’, ‘的’] 6 欢迎新老师生前来就餐 [‘欢迎’, ‘新’, ‘老师’, ‘生前’, ‘来’, ‘就餐’] [‘欢’, ‘迎新’, ‘老’, ‘师生’, ‘前来’, ‘就餐’] [‘欢’, ‘迎新’, ‘老’, ‘师生’, ‘前来’, ‘就餐’]