token.go

package sego

// 字串类型，可以用来表达

//    1. 一个字元，比如"中"又如"国", 英文的一个字元是一个词

//    2. 一个分词，比如"中国"又如"人口"

//    3. 一段文字，比如"中国有十三亿人口"

type Text []byte

// 一个分词

type Token struct {

    // 分词的字串，这实际上是个字元数组

    text []Text

    // 分词在语料库中的词频

    frequency int

    // log2(总词频/该分词词频)，这相当于log2(1/p(分词))，用作动态规划中

    // 该分词的路径长度。求解prod(p(分词))的最大值相当于求解

    // sum(distance(分词))的最小值，这就是“最短路径”的来历。

    distance float32

    // 词性标注

    pos string

    // 该分词文本的进一步分词划分，见Segments函数注释。

    segments []*Segment

}

// 返回分词文本

func (token *Token) Text() string {

    return textSliceToString(token.text)

}

// 返回分词在语料库中的词频

func (token *Token) Frequency() int {

    return token.frequency

}

// 返回分词词性标注

func (token *Token) Pos() string {

    return token.pos

}

// 该分词文本的进一步分词划分，比如"中华人民共和国中央人民政府"这个分词

// 有两个子分词"中华人民共和国"和"中央人民政府"。子分词也可以进一步有子分词

// 形成一个树结构，遍历这个树就可以得到该分词的所有细致分词划分，这主要

// 用于搜索引擎对一段文本进行全文搜索。

func (token *Token) Segments() []*Segment {

    return token.segments

}