FMM和BMM的python代码实现
FMM和BMM的python代码实现
FMM和BMM的编程实现,其实两个算法思路都挺简单,一个是从前取最大词长度的小分句,查找字典是否有该词,若无则分句去掉最后面一个字,再次查找,直至分句变成单词或者在字典中找到,并将其去除,然后重复上述步骤。BMM则是从后取分句,字典中不存在则分句最前去掉一个字,也是重复类似的步骤。
readCorpus.py
import sys
output = {}
with open('语料库.txt', mode='r', encoding='UTF-8') as f:
for line in f.readlines():
if line is not None:
# 去除每行的换行符
t_line = line.strip('\n')
# 按空格分开每个词
words = t_line.split(' ')
for word in words:
# 按/分开标记和词
t_word = word.split('/')
# 左方括号去除
tf_word = t_word[0].split('[')
if len(tf_word) == 2:
f_word = tf_word[1]
else:
f_word = t_word[0]
# 若在输出字典中,则value+1
if f_word in output.keys():
output[f_word] = output[f_word]+1
# 不在输出字典中则新建
else:
output[f_word] = 1
big_word1 = t_line.split('[')
for i in range(1, len(big_word1)):
big_word2 = big_word1[i].split(']')[0]
words = big_word2.split(' ')
big_word = ""
for word in words:
# 按/分开标记和词
t_word = word.split('/')
big_word = big_word + t_word[0]
# 若在输出字典中,则value+1
if big_word in output.keys():
output[big_word] = output[big_word]+1
# 不在输出字典中则新建
else:
output[big_word] = 1 f.close() with open('output.txt', mode='w', encoding='UTF-8') as f:
while output:
minNum = sys.maxsize
minName = ""
for key, values in output.items():
if values < minNum:
minNum = values
minName = key
f.write(minName+": "+str(minNum)+"\n")
del output[minName]
f.close()BMM.py
MAX_WORD = 19
word_list = []
ans_word = []
with open('output.txt', mode='r', encoding='UTF-8')as f:
for line in f.readlines():
if line is not None:
word = line.split(':')
word_list.append(word[0])
f.close()
#num = input("输入句子个数:")
#for i in range(int(num)):
while True:
ans_word = []
try:
origin_sentence = input("输入:\n")
while len(origin_sentence) != 0:
len_word = MAX_WORD
while len_word > 0:
# 从后读取最大词长度的数据,若该数据在字典中,则存入数组,并将其去除
if origin_sentence[-len_word:] in word_list:
ans_word.append(origin_sentence[-len_word:])
len_sentence = len(origin_sentence)
origin_sentence = origin_sentence[0:len_sentence-len_word]
break
# 不在词典中,则从后取词长度-1
else:
len_word = len_word - 1
# 单词直接存入数组
if len_word == 0:
if origin_sentence[-1:] != ' ':
ans_word.append(origin_sentence[-1:])
len_sentence = len(origin_sentence)
origin_sentence = origin_sentence[0:len_sentence - 1]
for j in range(len(ans_word)-1, -1, -1):
print(ans_word[j] + '/', end='')
print('\n')
except (KeyboardInterrupt, EOFError):
breakFMM.py
MAX_WORD = 19
word_list = []
with open('output.txt', mode='r', encoding='UTF-8')as f:
for line in f.readlines():
if line is not None:
word = line.split(':')
word_list.append(word[0])
f.close()
#num = input("输入句子个数:")
#for i in range(int(num)):
while True:
try:
origin_sentence = input("输入:\n")
while len(origin_sentence) != 0:
len_word = MAX_WORD
while len_word > 0:
# 读取前最大词长度数据,在数组中则输出,并将其去除
if origin_sentence[0:len_word] in word_list:
print(origin_sentence[0:len_word]+'/', end='')
origin_sentence = origin_sentence[len_word:]
break
# 不在字典中,则读取长度-1
else:
len_word = len_word - 1
# 为0则表示为单词,输出
if len_word == 0:
if origin_sentence[0] != ' ':
print(origin_sentence[0]+'/', end='')
origin_sentence = origin_sentence[1:]
print('\n')
except (KeyboardInterrupt, EOFError):
break效果图
- BMM.py(不含大粒度分词)

- BMM.py(含大粒度分词)

- FMM.py(不含大粒度分词)

- FMM.py(含大粒度分词)

我们可以观察到含大粒度分词的情况将香港科技大学,北京航空航天大学等表意能力强的词分在了一起而不是拆开,更符合分词要求。
FMM和BMM的python代码实现的更多相关文章
- 可爱的豆子——使用Beans思想让Python代码更易维护
title: 可爱的豆子--使用Beans思想让Python代码更易维护 toc: false comments: true date: 2016-06-19 21:43:33 tags: [Pyth ...
- if __name__== "__main__" 的意思(作用)python代码复用
if __name__== "__main__" 的意思(作用)python代码复用 转自:大步's Blog http://www.dabu.info/if-__-name__ ...
- Python 代码风格
1 原则 在开始讨论Python社区所采用的具体标准或是由其他人推荐的建议之前,考虑一些总体原则非常重要. 请记住可读性标准的目标是提升可读性.这些规则存在的目的就是为了帮助人读写代码,而不是相反. ...
- 一行python代码实现树结构
树结构是一种抽象数据类型,在计算机科学领域有着非常广泛的应用.一颗树可以简单的表示为根, 左子树, 右子树. 而左子树和右子树又可以有自己的子树.这似乎是一种比较复杂的数据结构,那么真的能像我们在标题 ...
- [Dynamic Language] 用Sphinx自动生成python代码注释文档
用Sphinx自动生成python代码注释文档 pip install -U sphinx 安装好了之后,对Python代码的文档,一般使用sphinx-apidoc来自动生成:查看帮助mac-abe ...
- 上传自己的Python代码到PyPI
一.需要准备的事情 1.当然是自己的Python代码包了: 2.注册PyPI的一个账号. 二.详细介绍 1.代码包的结构: application \application __init__.py m ...
- 如何在batch脚本中嵌入python代码
老板叫我帮他测一个命令在windows下消耗的时间,因为没有装windows那个啥工具包,没有timeit那个命令,于是想自己写一个,原理很简单: REM timeit.bat echo %TIME% ...
- ROS系统python代码测试之rostest
ROS系统中提供了测试框架,可以实现python/c++代码的单元测试,python和C++通过不同的方式实现, 之后的两篇文档分别详细介绍各自的实现步骤,以及测试结果和覆盖率的获取. ROS系统中p ...
- 让计算机崩溃的python代码,求共同分析
在现在的异常机制处理的比较完善的编码系统里面,让计算机完全崩溃无法操作的代码还是不多的.今天就无意运行到这段python代码,运行完,计算机直接崩溃,任务管理器都无法调用,任何键都用不了,只能强行电源 ...
随机推荐
- HTML <form> 标签的 accept-charset 属性
定义和用法 accept-charset 属性规定服务器处理表单数据所接受的字符集. accept-charset 属性允许您指定一系列字符集,服务器必须支持这些字符集,从而得以正确解释表单中的数据. ...
- shell中的cut命令
转:http://blog.sina.com.cn/s/blog_5e77c61f0100hqky.html cut是以每一行为一个处理对象的,这种机制和sed是一样的.(关于sed的入门文章将在近期 ...
- iOS中的MD5(base64)加密
MD5(base64)是一种结合MD5摘要和base64编码的密文处理方式,加密后的结果为24位字符串,且后两位为==,例如:1的加密结果为xMpCOKC5I4INzFCab3WEmw==. 下面是加 ...
- powerdesigner操作
转:http://w-tingsheng.blog.163.com/blog/static/25056034201392331452977/ 使用PowerDesigner生成数据库建表SQL脚 本时 ...
- [Android Traffic] 根据网络类型更改下载模式
转载自: http://blog.csdn.net/kesenhoo/article/details/7396321 Modifying your Download Patterns Based on ...
- git回退到某个commit
git log查看提交历史及提交的commit_id 回退命令: $ git reset --hard HEAD^ 回退到上个版本$ git reset --hard HEAD~3 回退到前3次提交之 ...
- Vue样式绑定和事件处理器
一.样式绑定 class 与 style 是 HTML 元素的属性,用于设置元素的样式,我们可以用 v-bind 来设置样式属性. v-bind 在处理 class 和 style 时, 专门增强了它 ...
- web-inf文件夹的使用
web-inf文件夹在正常情况下系统是不允许外界直接访问的,访问里面的文件就会出现404错误,但是系统可以自身进行访问,所有要使系统去访问的话就需要使用拦截控制器去接受外界命令,由控制器来转发访问请求 ...
- 从头认识java-14.4 Java提供的数组的有用功能(2)
接着上一章节,我们继续介绍Java提供的数组的有用功能. 3.元素的对照Comparator package com.ray.ch14; import java.util.Arrays; import ...
- etcd的原理分析
k8s集群使用etcd作为它的数据后端,etcd是一种无状态的分布式数据存储集群. 数据以key-value的形式存储在其中. 今天同事针对etcd集群的运作原理做了一个讲座,总结一下. A. etc ...