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

 # -*- coding: utf-8 -*-
 """
 Created on Thu Jul 19 08:57:56 2018

 @author: Lenovo
 """

 test_file = 'train/train.txt'#训练语料
 test_file2 = 'test/test.txt'#测试语料
 test_file3 = 'test_sc/test_sc_zhengxiang.txt'#生成结果

 def get_dic(test_file): #读取文本返回列表
     with open(test_file,'r',encoding='utf-8',) as f:
         try:
             file_content = f.read().split()
         finally:
             f.close()
     chars = list(set(file_content))
     return chars

 dic = get_dic(test_file)
 def readfile(test_file2):
     max_length = 5 

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

     for line in lines:#分别对每行进行正向最大匹配处理
         max_length = 5
         my_list = []
         len_hang = len(line)
         while len_hang>0 :
             tryWord = line[0:max_length]
             while tryWord not in dic:
                 if len(tryWord)==1:
                     break
                 tryWord=tryWord[0:len(tryWord)-1]
             my_list.append(tryWord)
             line = line[len(tryWord):]
             len_hang = len(line)

         for t in my_list:#将分词结果写入生成文件
             if t == '\n' :
                 h.write('\n')
             else:
                 h.write(t + "  ")

     h.close()

 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

 # -*- coding: utf-8 -*-
 """
 Created on Thu Jul 19 08:57:56 2018

 @author: Lenovo
 """
 test_file = 'train/train.txt'
 test_file2 = 'test/test.txt'
 test_file3 = 'test_sc/test_sc.txt'

 def get_dic(test_file):
     with open(test_file,'r',encoding='utf-8',) as f:
         try:
             file_content = f.read().split()
         finally:
             f.close()
     chars = list(set(file_content))
     return chars

 dic = get_dic(test_file)
 def readfile(test_file2):
     max_length = 5 

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

     for line in lines:
         my_stack = []
         len_hang = len(line)
         while len_hang>0 :
             tryWord = line[-max_length:]
             while tryWord not in dic:
                 if len(tryWord)==1:
                     break
                 tryWord=tryWord[1:]
             my_stack.append(tryWord)
             line = line[0:len(line)-len(tryWord)]
             len_hang = len(line)

         while len(my_stack):
             t = my_stack.pop()
             if t == '\n' :
                 h.write('\n')
             else:
                 h.write(t + "  ")

     h.close()

 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：

 # -*- coding: utf-8 -*-
 """
 Created on Fri Jul 27 15:32:46 2018

 @author: Lenovo
 """

 test_file = 'test_sc/test_sc_zhengxiang.txt'
 test_file2 = 'gold/test_gold.txt'
 def get_word(fname):

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

     return lines

 def calc():
     lines_list_sc = get_word(test_file)
     lines_list_gold = get_word(test_file2)

     lines_list_num = len(lines_list_gold)

     right_num = 0
     m = 0#m存逆向结果文本词的总数
     n = 0#n存gold文本词的总数

     for i in range(lines_list_num):

         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
         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

         m += len(line_list_sc)
         n += len(line_list_gold)

         str_sc = ''#存结果文本每行无空格连接起来的字符串
         str_gold = ''#存gold文本每行无空格连接起来的字符串

         s = 0#表示结果文本每行列表的下标
         g = 0#表示gold文本每行列表的下标

         while s < len(line_list_sc) and g < len(line_list_gold):
             str_word_sc = line_list_sc[s]
             str_word_gold = line_list_gold[g]

             str_sc += str_word_sc
             str_gold += str_word_gold

             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
                 s += 1
                 g += 1
                 right_num += 1

             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

                 while len(str_sc) > len(str_gold):
                     g += 1
                     str_gold += line_list_gold[g]

                 while len(str_sc) < len(str_gold):
                     s += 1
                     str_sc += line_list_sc[s]

                 g += 1
                 s += 1

     print("生成结果词的个数：", m)
     print("gold文本词的个数：", n)
     print("正确词的个数：", right_num)
     p = right_num/m
     r = right_num/n
     f = 2*p*r/(p+r)
     print("正确率：", p)
     print("召回率：", r)
     print("正向f值：", f)
 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