基于统计的无词典的高频词抽取(二)——根据LCP数组计算词频

接着上文【基于统计的无词典的高频词抽取(一)——后缀数组字典序排序】，本文主要讲解高频子串抽取部分。

如果看过上一篇文章的朋友都知道，我们通过 快排 或 基数排序算出了存储后缀数组字典序的PAT数组，以及PAT数组内，每每两个子串的最大公共前缀数组LCP。

我们可以通过LCP来计算出一个字符串在语料库中出现的次数。那怎么计算呢？我们先看看下面一个简单的例子：

【例】我们还是以上一篇文章中的字符串“abcba”为例，经过对后缀数组字典序排序（过程参照前一篇），可以得到以下的结果：

由上图中的PAT和LCP两个数组我们可以知道：“a”的频率为2，“b”的频率为2。

计算方式其实很简单，从左扫描LCP数组，如果LCP[i]>=n(n为自定义的两个字符串公共子串的长度的最小长度，上面例子中设置为1)，LCP[0]=1符合候选规则，则看PAT[0]=4，意思是说“abcba”这个字符串中的第PAT[i]+1=5个后缀子串，也就是“a”,我们知道，LCP表示的是相邻的两个PAT间的最长公共前缀，故“a”的频率=LCP[0]+1=2次。同理，可以知道“b”出现两次（S[PAT[3]]=b,LCP[2]=1,所以b出现的次数为1+1=2，刚开始有点难理解，但其实很好理解的）

分析完上面的例子，我们应该更加清楚的了解了LCP的作用，就是计算一个字符串在一个语料库中出现的次数，现在我们就用伪代码（文字）一步一步分析这个过程：

①  设定c 的初值为0；

②  从LCP位置c开始扫描直至索引i，有LCP[i]≥n;

③  记录LCP[i]的值，继续向前扫描，直至位置j，有LCP[j]<LCP[i]。如果存在位置x（i＜x≤j）,有LCP[x]>LCP[i],则令c=x，否则c=j;

④  提取字符串S，其在T中的开始位置为PAT[i],长度为LCP[i],S出现的次数为j-k,记录串S出现的次数j-k;

⑤  返回步骤②，提取下一个字符串，直至扫描完LCP数组;

⑥  对所记录的所有字符串，按照出现次数进行排列，输出所有出现次数≥n的字符串序列;

这个过程中要注意存在这样这样的一种情况：假设LCP为：1,1,3,2,1,0,0,2,...，那么1,1,3,2,1 我们知道，第一个字符出现了6次，而中间的3那个串出现了2次，但是计算2那个串的时候，因为前面的3>2，所以我们必须往前回溯，也就是说这里2那个串出现的次数是2+1=3次；

代码实现过程如下（经测试，对30万的数组查找耗时12s左右，没做过多优化，大家可以根据此思路来做优化）：

 public static void ScanLCP(List < StringFrequency > stringFrequncy, int[] LCP, int count, int start, int minLen, int maxLen)
 {
     var _START = start;
     while (_START <= count - )
     {
         var _LCP = _START;
         var isFirst = true;
         var isLarge = true;
         var isContinue = true;
         int j = ;
         int i = _START;
         for (; i < count; i++)
         {
             if (LCP[_START] > maxLen)
             {
                 _START += ;
                 break;
             }
             if (isFirst)
             {
                 if (i -  >= )
                 {
                     if (LCP[i - ] >= LCP[i])
                     {
                         for (var k = i - ; k >= ; k--)
                         {
                             if (LCP[k] >= minLen && LCP[k] != LCP[i])
                                 j += ;
                             else
                             {
                                 if (LCP[k] == LCP[i])
                                 {
                                     isContinue = false;
                                     j = ;
                                 }
                                 break;
                             }
                         }
                     }
                 }
             }
             if (LCP[i] >= minLen && LCP[i] >= LCP[_LCP] && isContinue)
             {
                 if (isFirst)
                 {
                     _LCP = i;
                     isFirst = false;
                 }
                 if (isLarge && LCP[i] > LCP[_LCP])
                 {
                     _START = i;
                     isLarge = false;
                 }
             }
             else
             {
                 if ((isFirst && LCP[i] < minLen) || !isContinue)
                     _START = i + ;
                 else
                 {
                     if (isLarge && LCP[i] < LCP[_LCP])
                         _START = i;
                     if (LCP[_LCP] <= maxLen)
                     {
                         var sf = new StringFrequency();
                         sf.Position = _LCP;
                         sf.Times = (i - _LCP) +  + j;
                         stringFrequncy.Add(sf);
                     }
                 }
                 break;
             }
         }
     }
 }

看起来好像挺玄乎,其实,到这一步的时候,对语料库的分析抽词已经初见成效了,下图,是我对《人民日报》2012年8月份到11月份的报纸的分析抽取，进行了后缀数组排序,LCP计算后的结果:

现在的结果还不够精确，等做完子串归并，最大熵模型后，可以获得更精准的结果（Ps：人民日报涉及的内容太片面，实际情况下，要采集涉及面广的语料库）

好了，第二部分就先讲到这里，如果觉得文章对您有用或者对其他人有帮助，请帮忙点文章下面的“推荐”；如果文章有任何纰漏，欢迎指正，谢谢！