NLP入门干货：手把手教你3种中文规则分词方法
导读：本文将讲解中文自然语言处理的第一项核心技术——中文分词技术，它是中文自然语言处理非常关键和核心的部分。
作者：杜振东 涂铭
来源：大数据DT（ID：hzdashuju）
介绍中文分词的概念与分类； 介绍常见的规则分词方法。
从左向右取待切分汉语句的m个字符作为匹配字段，m为机器词典中最长词条的字符数。 查找机器词典并进行匹配。若匹配成功，则将这个匹配字段作为一个词切分出来。若匹配不成功，则将这个匹配字段的最后一个字去掉，剩下的字符串作为新的匹配字段，进行再次匹配，重复以上过程，直到切分出所有词为止。
class MM(object):
def __init__(self):
self.window_size = 3
def cut(self,text):
result=[]
index=0
text_length = len(text)
dic = ['研究','研究生','生命','起源']
while text_length > index:
for size in range(self.window_size+index,index,-1):#4，0，-1
piece = text[index:size]
if piece in dic:
index = size-1
break
index = index + 1
result.append(piece)
return resulttext = '研究生命的起源'
tokenizer = MM()
print(tokenizer.cut(text))['研究生', '命', '的', '起源']class RMM(object):
def __init__(self):
self.window_size = 3
def cut(self, text):
result = []
index = len(text)
dic = ['研究', '研究生', '生命', '命', '的', '起源']
while index > 0:
for size in range(index-self.window_size ,index):
piece = text[size:index]
if piece in dic:
index = size + 1
break
index = index - 1
result.append(piece)
result.reverse()
return result
text = '研究生命的起源'
tokenizer = RMM()
print(tokenizer.cut(text))['研究', '生命', '的', '起源']如果正反向分词结果词数不同，则取分词数量较少的那个结果（上例：“南京市/江/大桥”的分词数量为3，而“南京市/长江大桥”的分词数量为2，所以返回分词数量为2的结果）。 如果分词结果词数相同，则：
分词结果相同，就说明没有歧义，可返回任意一个结果。 分词结果不同，返回其中单字较少的那个。比如前文示例代码中，正向最大匹配返回的结果为“['研究生', '命', '的', '起源']”，其中单字个数为2个；而逆向最大匹配返回的结果为“['研究', '生命', '的', '起源']”，其中单字个数为1。所以返回的是逆向最大匹配的结果。
#统计单字成词的个数
def count_singlechar(word_list):
return sum(1 for word in word_list if len(word) == 1)
def bidirectional_segment(text):
mm = MM()
rmm = RMM()
f = mm.cut(text)
b = rmm.cut(text)
if (len(f) < len(b)):
return f
elif (len(f) > len(b)):
return b
else:
if (count_singlechar(f) >= count_singlechar(b)):
return b
else:
return fprint(bidirectional_segment('研究生命的起源'))['研究', '生命', '的', '起源']不断维护词典是非常烦琐的，新词总是层出不穷，人工维护费时费力； 随着词典中条目数的增加，执行效率变得越来越低； 无法解决歧义问题。
关于作者：杜振东，国家标准委人工智能技术专家和AIIA（中国人工智能产业发展联盟）技术专家。拥有8年机器学习与文本挖掘相关技术经验，6年中文自然语言处理相关项目实战经验，擅长PyTorch、TensorFlow等主流深度学习框架，擅长运用NLP前沿技术解决真实项目的难题。
涂铭，数据架构师和人工智能技术专家，曾就职于阿里，现就职于腾讯。对大数据、自然语言处理、图像识别、Python、Java等相关技术有深入的研究，积累了丰富的实践经验。
评论