python最大分词_中文分词--最大正向与逆向匹配算法python实现

最大匹配法：最大匹配是指以词典为依据，取词典中最长单词为第一个次取字数量的扫描串，在词典中进行扫描（为提升扫描效率，还可以跟据字数多少设计多个字典，然后根据字数分别从不同字典中进行扫描）。例如：词典中最长词为“中华人民共和国”共7个汉字，则最大匹配起始字数为7个汉字。然后逐字递减，在对应的词典中进行查找。

下面以“我们在野生动物园玩”为例详细说明一下正向与逆向最大匹配方法：

1、正向最大匹配法：

正向即从前往后取词，从7->1，每次减一个字，直到词典命中或剩下1个单字。

第1次：“我们在野生动物”，扫描7字词典，无

第2次：“我们在野生动”，扫描6字词典，无

。。。。

第6次：“我们”，扫描2字词典，有

扫描中止，输出第1个词为“我们”，去除第1个词后开始第2轮扫描，即：

第2轮扫描：

第1次：“在野生动物园玩”，扫描7字词典，无

第2次：“在野生动物园”，扫描6字词典，无

。。。。

第6次：“在野”，扫描2字词典，有

扫描中止，输出第2个词为“在野”，去除第2个词后开始第3轮扫描，即：

第3轮扫描：

第1次：“生动物园玩”，扫描5字词典，无

第2次：“生动物园”，扫描4字词典，无

第3次：“生动物”，扫描3字词典，无

第4次：“生动”，扫描2字词典，有

扫描中止，输出第3个词为“生动”，第4轮扫描，即：

第4轮扫描：

第1次：“物园玩”，扫描3字词典，无

第2次：“物园”，扫描2字词典，无

第3次：“物”，扫描1字词典，无

扫描中止，输出第4个词为“物”，非字典词数加1，开始第5轮扫描，即：

第5轮扫描：

第1次：“园玩”，扫描2字词典，无

第2次：“园”，扫描1字词典，有

扫描中止，输出第5个词为“园”，单字字典词数加1，开始第6轮扫描，即：

第6轮扫描：

第1次：“玩”，扫描1字字典词，有

扫描中止，输出第6个词为“玩”，单字字典词数加1，整体扫描结束。

正向最大匹配法，最终切分结果为：“我们/在野/生动/物/园/玩”

2、正向python代码实现

1 #-*- coding: utf-8 -*-

2 """

3 Created on Thu Jul 19 08:57:56 20184

5 @author: Lenovo6 """

7

8 test_file = 'train/train.txt'#训练语料

9 test_file2 = 'test/test.txt'#测试语料

10 test_file3 = 'test_sc/test_sc_zhengxiang.txt'#生成结果

11

12 def get_dic(test_file): #读取文本返回列表

13 with open(test_file,'r',encoding='utf-8',) as f:14 try:15 file_content =f.read().split()16 finally:17 f.close()18 chars =list(set(file_content))19 returnchars20

21 dic =get_dic(test_file)22 defreadfile(test_file2):23 max_length = 5

24

25 h = open(test_file3,'w',encoding='utf-8',)26 with open(test_file2,'r',encoding='utf-8',) as f:27 lines =f.readlines()28

29 for line in lines:#分别对每行进行正向最大匹配处理

30 max_length = 5

31 my_list =[]32 len_hang =len(line)33 while len_hang>0 :34 tryWord =line[0:max_length]35 while tryWord not indic:36 if len(tryWord)==1:37 break

38 tryWord=tryWord[0:len(tryWord)-1]39 my_list.append(tryWord)40 line =line[len(tryWord):]41 len_hang =len(line)42

43 for t in my_list:#将分词结果写入生成文件

44 if t == '\n':45 h.write('\n')46 else:47 h.write(t + " ")48

49 h.close()50

51 readfile(test_file2)

3、逆向最大匹配算法

逆向即从后往前取词，其他逻辑和正向相同。即：

第1轮扫描：“在野生动物园玩”

第1次：“在野生动物园玩”，扫描7字词典，无

第2次：“野生动物园玩”，扫描6字词典，无

。。。。

第7次：“玩”，扫描1字词典，有

扫描中止，输出“玩”，单字字典词加1，开始第2轮扫描

第2轮扫描：“们在野生动物园”

第1次：“们在野生动物园”，扫描7字词典，无

第2次：“在野生动物园”，扫描6字词典，无

第3次：“野生动物园”，扫描5字词典，有

扫描中止，输出“野生动物园”，开始第3轮扫描

第3轮扫描：“我们在”

第1次：“我们在”，扫描3字词典，无

第2次：“们在”，扫描2字词典，无

第3次：“在”，扫描1字词典，有

扫描中止，输出“在”，单字字典词加1，开始第4轮扫描

第4轮扫描：“我们”

第1次：“我们”，扫描2字词典，有

扫描中止，输出“我们”，整体扫描结束。

逆向最大匹配法，最终切分结果为：“我们/在/野生动物园/玩

4、逆向python代码实现

1 #-*- coding: utf-8 -*-

2 """

3 Created on Thu Jul 19 08:57:56 20184

5 @author: Lenovo6 """

7 test_file = 'train/train.txt'

8 test_file2 = 'test/test.txt'

9 test_file3 = 'test_sc/test_sc.txt'

10

11 defget_dic(test_file):12 with open(test_file,'r',encoding='utf-8',) as f:13 try:14 file_content =f.read().split()15 finally:16 f.close()17 chars =list(set(file_content))18 returnchars19

20 dic =get_dic(test_file)21 defreadfile(test_file2):22 max_length = 5

23

24 h = open(test_file3,'w',encoding='utf-8',)25 with open(test_file2,'r',encoding='utf-8',) as f:26 lines =f.readlines()27

28 for line inlines:29 my_stack =[]30 len_hang =len(line)31 while len_hang>0 :32 tryWord = line[-max_length:]33 while tryWord not indic:34 if len(tryWord)==1:35 break

36 tryWord=tryWord[1:]37 my_stack.append(tryWord)38 line = line[0:len(line)-len(tryWord)]39 len_hang =len(line)40

41 whilelen(my_stack):42 t =my_stack.pop()43 if t == '\n':44 h.write('\n')45 else:46 h.write(t + " ")47

48 h.close()49

50 readfile(test_file2)

5、正确率，召回率和F值

正确率、召回率和F值是目标的重要评价指标。

正确率 = 正确识别的个体总数 / 识别出的个体总数

召回率 = 正确识别的个体总数 / 测试集中存在的个体总数

F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率)

编写评价程序：首先对生成的文本和gold文本每行通过切分形成词汇表，然后对两个词汇表从第一个词开始比较：

如果当前词汇相同，表明结果正确，且之前的词汇拼成的字符串长度相等；

如果当前词汇不同，结果错误，不断取词汇拼字符串直到两个字符串长度相同；

依次对每行进行处理，计算出f值。

评价程序实现如下：

1 #-*- coding: utf-8 -*-

2 """

3 Created on Fri Jul 27 15:32:46 20184

5 @author: Lenovo6 """

7

8 test_file = 'test_sc/test_sc_zhengxiang.txt'

9 test_file2 = 'gold/test_gold.txt'

10 defget_word(fname):11

12 f = open(fname,'r',encoding='utf-8',)13 lines =f.readlines()14

15 returnlines16

17

18 defcalc():19 lines_list_sc =get_word(test_file)20 lines_list_gold =get_word(test_file2)21

22 lines_list_num =len(lines_list_gold)23

24 right_num =025 m = 0#m存逆向结果文本词的总数

26 n = 0#n存gold文本词的总数

27

28 for i inrange(lines_list_num):29

30 line_list_sc = list(lines_list_sc[i].split())#line_list_sc为生成结果每行通过空格切分后的词汇表

31 line_list_gold = list(lines_list_gold[i].split())#line_list_gold为正确结果每行通过空格切分后的词汇表

32

33 m +=len(line_list_sc)34 n +=len(line_list_gold)35

36 str_sc = ''#存结果文本每行无空格连接起来的字符串

37 str_gold = ''#存gold文本每行无空格连接起来的字符串

38

39 s = 0#表示结果文本每行列表的下标

40 g = 0#表示gold文本每行列表的下标

41

42 while s < len(line_list_sc) and g

46 str_sc +=str_word_sc47 str_gold +=str_word_gold48

49 if str_word_sc == str_word_gold:#如果当前词汇相同，表明结果正确，且之前的词汇拼成的字符串长度相等

50 s += 1

51 g += 1

52 right_num += 1

53

54 else:#如果当前词汇不同，结果错误，不断取词汇拼字符串直到两个字符串长度相同

55

56 while len(str_sc) >len(str_gold):57 g += 1

58 str_gold +=line_list_gold[g]59

60

61 while len(str_sc)

63 str_sc +=line_list_sc[s]64

65 g += 1

66 s += 1

67

68 print("生成结果词的个数：", m)69 print("gold文本词的个数：", n)70 print("正确词的个数：", right_num)71 p = right_num/m72 r = right_num/n73 f = 2*p*r/(p+r)74 print("正确率：", p)75 print("召回率：", r)76 print("正向f值：", f)77 calc()

运行结果如下：

6、训练语料和测试语料见下百度云盘链接

链接: https://pan.baidu.com/s/1X0coEznut6_s0jsDG9_9Dg 密码: b393