python实现机械分词之逆向最大匹配算法代码示例

Python  /  管理员 发布于 7年前   192

逆向最大匹配方法

有正即有负，正向最大匹配算法大家可以参阅///article/127404.htm

逆向最大匹配分词是中文分词基本算法之一，因为是机械切分，所以它也有分词速度快的优点，且逆向最大匹配分词比起正向最大匹配分词更符合人们的语言习惯。逆向最大匹配分词需要在已有词典的基础上，从被处理文档的末端开始匹配扫描，每次取最末端的i个字符（分词所确定的阈值i）作为匹配字段，若匹配失败，则去掉匹配字段最前面的一个字，继续匹配。而且选择的阈值越大，分词越慢，但准确性越好。

逆向最大匹配算法python实现：

分词文本示例：

分词词典words.xlsx示例：

#!/usr/bin/env python #-*- coding:utf-8 -*-  ''''' 用逆向最大匹配法分词，不去除停用词 ''' import codecs import xlrd  #读取待分词文本,readlines（）返回句子list def readfile(raw_file_path):   with codecs.open(raw_file_path,"r",encoding="ANSI") as f:     raw_file=f.readlines()     return raw_file #读取分词词典,返回分词词典list def read_dic(dic_path):   excel = xlrd.open_workbook(dic_path)   sheet = excel.sheets()[0]   # 读取第二列的数据   data_list = list(sheet.col_values(1))[1:]   return data_list #逆向最大匹配法分词 def cut_words(raw_sentences,word_dic):   word_cut=[]   #最大词长，分词词典中的最大词长,为初始分词的最大词长   max_length=max(len(word) for word in word_dic)   for sentence in raw_sentences:     #strip()函数返回一个没有首尾空白字符(‘\n'、‘\r'、‘\t'、‘')的sentence，避免分词错误     sentence=sentence.strip()     #单句中的字数     words_length = len(sentence)     #存储切分出的词语     cut_word_list=[]     #判断句子是否切分完毕     while words_length > 0:       max_cut_length = min(words_length, max_length)       for i in range(max_cut_length, 0, -1):         #根据切片性质，截取words_length-i到words_length-1索引的字，不包括words_length,所以不会溢出         new_word = sentence[words_length - i: words_length]         if new_word in word_dic:           cut_word_list.append(new_word)           words_length = words_length - i           break         elif i == 1:           cut_word_list.append(new_word)           words_length = words_length - 1     #因为是逆向最大匹配，所以最终需要把结果逆向输出，转换为原始顺序     cut_word_list.reverse()     words="/".join(cut_word_list)     #最终把句子首端的分词符号删除，是避免以后将分词结果转化为列表时会出现空字符串元素     word_cut.append(words.lstrip("/"))   return word_cut #输出分词文本 def outfile(out_path,sentences):   #输出模式是“a”即在原始文本上继续追加文本   with codecs.open(out_path,"a","utf8") as f:     for sentence in sentences:       f.write(sentence)   print("well done!") def main():   #读取待分词文本   rawfile_path = r"逆向分词文本.txt"   raw_file=readfile(rawfile_path)   #读取分词词典   wordfile_path = r"words.xlsx"   words_dic = read_dic(wordfile_path)   #逆向最大匹配法分词   content_cut = cut_words(raw_file,words_dic)   #输出文本   outfile_path = r"分词结果.txt"   outfile(outfile_path,content_cut) if __name__=="__main__":   main() 

总结

分析分词结果可以知道，机械分词的效果优劣，一方面与分词匹配算法有关，另外一方面极其依赖分词词典。所以若想得到好的分词效果，处理相关领域的文本时，需要在分词词典中加入特定领域的词汇。

以上就是本文关于python实现机械分词之逆向最大匹配算法代码示例的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！