Python自然语言处理之切分算法详解

一、前言

我们需要分析某句话，就必须检测该条语句中的词语。

一般来说，一句话肯定包含多个词语，它们互相重叠，具体输出哪一个由自然语言的切分算法决定。常用的切分算法有完全切分、正向最长匹配、逆向最长匹配以及双向最长匹配。

本篇博文将一一介绍这些常用的切分算法。

二、完全切分

完全切分是指，找出一段文本中的所有单词。

不考虑效率的话，完全切分算法其实非常简单。只要遍历文本中的连续序列，查询该序列是否在词典中即可。上一篇我们获取了词典的所有词语dic，这里我们直接用代码遍历某段文本，完全切分出所有的词语。代码如下：

from pyhanlp import *

def load_dictionary():
   IOUtil = JClass('com.hankcs.hanlp.corpus.io.IOUtil')
   path = HanLP.Config.CoreDictionaryPath.replace('.txt', '.mini.txt')
   dic = IOUtil.loadDictionary([path])
   return set(dic.keySet())

def fully_segment(text, dic):
   list = []
   for i in range(len(text)):
       for j in range(i + 1, len(text) + 1):
           temp = text[i:j]
           if temp in dic:
               list.append(temp)
   return list

if __name__ == "__main__":
   dic = load_dictionary()
   print(fully_segment("在绝对实力面前，一切的说辞都是枉然", dic))

可以看到，完全切分算法输出了文本中所有的单字与词汇。
这里的算法原理是：开始遍历单个字，以该字为首，将后面每个字依次组合到单个字中，分析出这些组合字句是否在词典中。第二次，从第二个字开始，组合后面的字，以此类推。不懂的看下图就明白了。

三、正向最长匹配

虽然说完全切分能获取到所有出现在字典中的单词，单字，但是我们获取语句中单字一般来说没有任何意义，我们更希望获取的是中文分词，那种具有意义的词语序列。

比如，上面我们希望“绝对实力”成为一整个词，而不是“绝对”+“实力”之类的碎片。为了达到这个目的，我们需要完善一下我们的算法。考虑到越长的单词表达的意义更加的丰富，于是我们定义单词越长优先级越高。

具体来说，就是在某个下标为起点递增查词的过程中，优先输出更长的单词，这种规则被称为最长匹配算法。该下标的扫描顺序如果从前往后，则称为正向最长匹配，反之则为逆向最长匹配。

下面，我们来实现正向最长匹配，代码如下：

def forward_segment(text, dic):
   list = []
   i = 0
   while i < len(text):
       long_word = text[i]
       for j in range(i + 1, len(text) + 1):
           word = text[i:j]
           if word in dic:
               if len(word) > len(long_word):
                   long_word = word
       list.append(long_word)
       i += len(long_word)
   return list

算法的原理：首先通过while循环判断i是否超出了字符串的大小，如果没有，获取当前第一个字符串为第一个最长匹配结果，接着遍历第一个字符串的所有可能组合结尾，如果在字典中，判断当前词语是否大于前面的最长匹配结果，如果是替换掉最长。遍历完成之后，将最长的结果添加到列表中，然后再获取第二字符，遍历所有结尾组合，获取最长匹配。以此类推。

四、逆向最长匹配

既然了解了正向如何匹配，那么逆向算法应该也很好写。代码如下：

def backward_segment(text, dic):
   list = []
   i = len(text) - 1
   while i >= 0:
       long_word = text[i]
       for j in range(0, i):
           word = text[j:i + 1]
           if word in dic:
               if len(word) > len(long_word):
                   long_word = word
                   break
       list.append(long_word)
       i -= len(long_word)
   return list

算法的原理：就是上面的正向反过来，但是这里并不是倒推文字，文字还是按语句的顺序，但是长度是从最长到最短，也就是遇到第一个就可以返回了添加了。比正向最长匹配算法节约时间。

五、双向最长匹配

虽然逆向比正向节约时间，但本身有一个很大的漏洞。假如我现在的句子中有一段“项目的”字符串，那么正向会出现“项目”，“的”两个词汇，而逆向会出现：“项”，“目的”两个词汇。

为此，我们的算法工程师提出了新的匹配规则，双向最长匹配。这是一种融合两种匹配方法的复杂规则，流程如下：

同时执行正向和逆向最长匹配，若两者的词数不同，则返回词数更少的一个否则，返回两者中单字更少的那一个。当单字也相同时，优先返回逆向最长匹配结果

具体代码如下：

#统计单字个数
def count_single_char(list):
   return sum(1 for word in list if len(word) == 1)

#双向匹配算法
def bidirectional_segment():
   f = forward_segment("在绝对实力面前，一切的说辞都是枉然", dic)
   b = backward_segment("在绝对实力面前，一切的说辞都是枉然", dic)
   if len(f) < len(b):
       return f
   elif len(f) > len(b):
       return b
   else:
       if count_single_char(f)<count_single_char(b):
           return f
       else:
           return b

来源：https://liyuanjinglyj.blog.csdn.net/article/details/114941572