2013-12-19 回答

#?-*-?coding:?utf-8?-*-

import?jieba

'''''

created?on?2015-11-23

'''

def?word_split(text):

"""

split?a?text?in?words.?returns?a?list?of?tuple?that?contains

(word,?location)?location?is?the?starting?byte?position?of?the?word.

"""

word_list?=?[]

windex?=?0

word_primitive?=?jieba.cut(text,?cut_all?=?true)

for?word?in?word_primitive:

if?len(word)?>?0:

word_list.append((windex,?word))

windex?+=?1

return?word_list

def?inverted_index(text):

"""

create?an?inverted-index?of?the?specified?text?document.

{word:[locations]}

"""

inverted?=?{}

for?index,?word?in?word_split(text):

locations?=?inverted.setdefault(word,?[])

locations.append(index)

return?inverted

def?inverted_index_add(inverted,?doc_id,?doc_index):

"""

add?invertd-index?doc_index?of?the?document?doc_id?to?the

multi-document?inverted-index?(inverted),

using?doc_id?as?document?identifier.

{word:{doc_id:[locations]}}

"""

for?word,?locations?in?doc_index.iteritems():

indices?=?inverted.setdefault(word,?{})

indices[doc_id]?=?locations

return?inverted

def?search_a_word(inverted,?word):

"""

search?one?word

"""

word?=?word.decode('utf-8')

if?word?not?in?inverted:

return?none

else:

word_index?=?inverted[word]

return?word_index

def?search_words(inverted,?wordlist):

"""

search?more?than?one?word

"""

worddic?=?[]

docright?=?[]

for?word?in?wordlist:

if?isinstance(word,?str):

word?=?word.decode('utf-8')

if?word?not?in?inverted:

return?none

else:

element?=?inverted[word].keys()

element.sort()

worddic.append(element)

numbers?=?len(worddic)

inerindex?=?[0?for?i?in?range(numbers)]

docindex?=?[worddic[i][0]?for?i?in?range(numbers)]

flag?=?true

while?flag:

if?min(docindex)?==?max(docindex):

docright.append(min(docindex))

inerindex?=?[inerindex[i]+1?for?i?in?range(numbers)]

for?i?in?range(numbers):

if?inerindex[i]?>=?len(worddic[i]):

flag?=?false

return?docright

docindex?=?[worddic[i][inerindex[i]]?for?i?in?range(numbers)]

else:

minindex?=?min(docindex)

minposition?=?docindex.index(minindex)

inerindex[minposition]?+=?1

if?inerindex[minposition]?>=?len(worddic[minposition]):

flag?=?false

return?docright

docindex?=?[worddic[i][inerindex[i]]?for?i?in?range(numbers)]

def?search_phrase(inverted,?phrase):

"""

search?phrase

"""

docright?=?{}

temp?=?word_split(phrase)

wordlist?=?[temp[i][1]?for?i?in?range(len(temp))]

docpossible?=?search_words(inverted,?wordlist)

for?doc?in?docpossible:

wordindex?=?[]

indexright?=?[]

for?word?in?wordlist:

wordindex.append(inverted[word][doc])

numbers?=?len(wordlist)

inerindex?=?[0?for?i?in?range(numbers)]

words?=?[wordindex[i][0]?for?i?in?range(numbers)]

flag?=?true

while?flag:

if?words[-1]?-?words[0]?==?numbers?-?1:

indexright.append(words[0])

inerindex?=?[inerindex[i]+1?for?i?in?range(numbers)]

for?i?in?range(numbers):

if?inerindex[i]?>=?len(wordindex[i]):

flag?=?false

docright[doc]?=?indexright

break

if?flag:

words?=?[wordindex[i][inerindex[i]]?for?i?in?range(numbers)]

else:

minindex?=?min(words)

minposition?=?words.index(minindex)

inerindex[minposition]?+=?1

if?inerindex[minposition]?>=?len(wordindex[minposition]):

flag?=?false

break

if?flag:

words?=?[wordindex[i][inerindex[i]]?for?i?in?range(numbers)]

return?docright

if?__name__?==?'__main__':

doc1?=?"""

中文分詞指的是將一個漢字序列切分成一個一個單獨的詞。分詞就是將連續(xù)的字序列按照一定的規(guī)范

重新組合成詞序列的過程。我們知道，在英文的行文中，單詞之間是以空格作為自然分界符的，而中文

只是字、句和段能通過明顯的分界符來簡單劃界，唯獨詞沒有一個形式上的分界符，雖然英文也同樣

存在短語的劃分問題，不過在詞這一層上，中文比之英文要復(fù)雜的多、困難的多。

"""

doc2?=?"""

存在中文分詞技術(shù)，是由于中文在基本文法上有其特殊性，具體表現(xiàn)在：

與英文為代表的拉丁語系語言相比，英文以空格作為天然的分隔符，而中文由于繼承自古代漢語的傳統(tǒng)，

詞語之間沒有分隔。　古代漢語中除了連綿詞和人名地名等，詞通常就是單個漢字，所以當(dāng)時沒有分詞

書寫的必要。而現(xiàn)代漢語中雙字或多字詞居多，一個字不再等同于一個詞。

在中文里，“詞”和“詞組”邊界模糊

現(xiàn)代漢語的基本表達(dá)單元雖然為“詞”，且以雙字或者多字詞居多，但由于人們認(rèn)識水平的不同，對詞和

短語的邊界很難去區(qū)分。

例如：“對隨地吐痰者給予處罰”，“隨地吐痰者”本身是一個詞還是一個短語，不同的人會有不同的標(biāo)準(zhǔn)，

同樣的“海上”“酒廠”等等，即使是同一個人也可能做出不同判斷，如果漢語真的要分詞書寫，必然會出現(xiàn)

混亂，難度很大。

中文分詞的方法其實不局限于中文應(yīng)用，也被應(yīng)用到英文處理，如手寫識別，單詞之間的空格就不很清楚，

中文分詞方法可以幫助判別英文單詞的邊界。

"""

doc3?=?"""

作用

中文分詞是文本挖掘的基礎(chǔ)，對于輸入的一段中文，成功的進(jìn)行中文分詞，可以達(dá)到電腦自動識別語句含義的效果。

中文分詞技術(shù)屬于自然語言處理技術(shù)范疇，對于一句話，人可以通過自己的知識來明白哪些是詞，哪些不是詞，

但如何讓計算機(jī)也能理解？其處理過程就是分詞算法。

影響

中文分詞對于搜索引擎來說，最重要的并不是找到所有結(jié)果，因為在上百億的網(wǎng)頁中找到所有結(jié)果沒有太多的意義，

沒有人能看得完，最重要的是把最相關(guān)的結(jié)果排在最前面，這也稱為相關(guān)度排序。中文分詞的準(zhǔn)確與否，常常直接

影響到對搜索結(jié)果的相關(guān)度排序。從定性分析來說，搜索引擎的分詞算法不同，詞庫的不同都會影響頁面的返回結(jié)果

"""

doc4?=?"""

這種方法又叫做機(jī)械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機(jī)器詞典中的詞條進(jìn)行配，

若在詞典中找到某個字符串，則匹配成功(識別出一個詞)。按照掃描方向的不同，串匹配分詞方法可以分為正向

匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況，可以分為最大(最長)匹配和最小(最短)匹配；常用的幾種

機(jī)械分詞方法如下：

正向最大匹配法(由左到右的方向)；

逆向最大匹配法(由右到左的方向)；

最少切分(使每一句中切出的詞數(shù)最小)；

雙向最大匹配法(進(jìn)行由左到右、由右到左兩次掃描)

還可以將上述各種方法相互組合，例如，可以將正向最大匹配方法和逆向最大匹配方法結(jié)合起來構(gòu)成雙向匹配法。

由于漢語單字成詞的特點，正向最小匹配和逆向最小匹配一般很少使用。一般說來，逆向匹配的切分精度略高于

正向匹配，遇到的歧義現(xiàn)象也較少。統(tǒng)計結(jié)果表明，單純使用正向最大匹配的錯誤率為，單純使用逆向

最大匹配的錯誤率為。但這種精度還遠(yuǎn)遠(yuǎn)不能滿足實際的需要。實際使用的分詞系統(tǒng)，都是把機(jī)械分詞

作為一種初分手段，還需通過利用各種其它的語言信息來進(jìn)一步提高切分的準(zhǔn)確率。

一種方法是改進(jìn)掃描方式，稱為特征掃描或標(biāo)志切分，優(yōu)先在待分析字符串中識別和切分出一些帶有明顯特征

的詞，以這些詞作為斷點，可將原字符串分為較小的串再來進(jìn)機(jī)械分詞，從而減少匹配的錯誤率。另一種方法

是將分詞和詞類標(biāo)注結(jié)合起來，利用豐富的詞類信息對分詞決策提供幫助，并且在標(biāo)注過程中又反過來對分詞

結(jié)果進(jìn)行檢驗、調(diào)整，從而極大地提高切分的準(zhǔn)確率。

對于機(jī)械分詞方法，可以建立一個一般的模型，在這方面有專業(yè)的學(xué)術(shù)論文，這里不做詳細(xì)論述。

"""

doc5?=?"""

從形式上看，詞是穩(wěn)定的字的組合，因此在上下文中，相鄰的字同時出現(xiàn)的次數(shù)越多，就越有可能構(gòu)成一個詞。

因此字與字相鄰共現(xiàn)的頻率或概率能夠較好的反映成詞的可信度。可以對語料中相鄰共現(xiàn)的各個字的組合的頻度

進(jìn)行統(tǒng)計，計算它們的互現(xiàn)信息。定義兩個字的互現(xiàn)信息，計算兩個漢字的相鄰共現(xiàn)概率。互現(xiàn)信息體現(xiàn)了

漢字之間結(jié)合關(guān)系的緊密程度。當(dāng)緊密程度高于某一個閾值時，便可認(rèn)為此字組可能構(gòu)成了一個詞。這種方法

只需對語料中的字組頻度進(jìn)行統(tǒng)計，不需要切分詞典，因而又叫做無詞典分詞法或統(tǒng)計取詞方法。但這種方法

也有一定的局限性，會經(jīng)常抽出一些共現(xiàn)頻度高、但并不是詞的常用字組，例如“這一”、“之一”、“有的”、

“我的”、“許多的”等，并且對常用詞的識別精度差，時空開銷大。實際應(yīng)用的統(tǒng)計分詞系統(tǒng)都要使用一部基本

的分詞詞典(常用詞詞典)進(jìn)行串匹配分詞，同時使用統(tǒng)計方法識別一些新的詞，即將串頻統(tǒng)計和串匹配結(jié)合起來，

既發(fā)揮匹配分詞切分速度快、效率高的特點，又利用了無詞典分詞結(jié)合上下文識別生詞、自動消除歧義的優(yōu)點。

另外一類是基于統(tǒng)計機(jī)器學(xué)習(xí)的方法。首先給出大量已經(jīng)分詞的文本，利用統(tǒng)計機(jī)器學(xué)習(xí)模型學(xué)習(xí)詞語切分的規(guī)律

(稱為訓(xùn)練)，從而實現(xiàn)對未知文本的切分。我們知道，漢語中各個字單獨作詞語的能力是不同的，此外有的字常

常作為前綴出現(xiàn)，有的字卻常常作為后綴(“者”“性”)，結(jié)合兩個字相臨時是否成詞的信息，這樣就得到了許多

與分詞有關(guān)的知識。這種方法就是充分利用漢語組詞的規(guī)律來分詞。這種方法的最大缺點是需要有大量預(yù)先分好詞

的語料作支撐，而且訓(xùn)練過程中時空開銷極大。

到底哪種分詞算法的準(zhǔn)確度更高，目前并無定論。對于任何一個成熟的分詞系統(tǒng)來說，不可能單獨依靠某一種算法

來實現(xiàn)，都需要綜合不同的算法。例如，海量科技的分詞算法就采用“復(fù)方分詞法”，所謂復(fù)方，就是像中西醫(yī)結(jié)合

般綜合運(yùn)用機(jī)械方法和知識方法。對于成熟的中文分詞系統(tǒng)，需要多種算法綜合處理問題。

"""

#?build?inverted-index?for?documents

inverted?=?{}

documents?=?{'doc1':doc1,?'doc2':doc2,?'doc3':doc3,?'doc4':doc4,?'doc5':doc5}

for?doc_id,?text?in?documents.iteritems():

doc_index?=?inverted_index(text)

inverted_index_add(inverted,?doc_id,?doc_index)

#?search?one?word

aword?=?"分詞"

result_a_word?=?search_a_word(inverted,?aword)

if?result_a_word:

result_a_word_docs?=?result_a_word.keys()

print?"'%s'?is?appeared?at"?%(aword)

for?result_a_word_doc?in?result_a_word_docs:

result_a_word_index?=?result_a_word[result_a_word_doc]

for?index?in?result_a_word_index:

print?(str(index)?+?'?'),

print?"of?"?+?result_a_word_doc

print?""

else:

print?"no?matches!\r\n"

#search?more?than?one?word

words?=?["漢語",?"切分"]

result_words?=?search_words(inverted,?words)

if?result_words:

print?("["),

for?i?in?range(len(words)):

print?("%s?"?%(words[i])),

print?("]?are?appeared?at?the?"),

for?result_words_doc?in?result_words:

print?(result_words_doc?+?'?'),

print?"\r\n"

else:

print?"no?matches!\r\n"

#search?phrase

phrase?=?"中文分詞"

result_phrase?=?search_phrase(inverted,?phrase)

if?result_phrase:

result_phrase_docs?=?result_phrase.keys()

print?"'%s'?is?appeared?at?the?"?%(phrase)

for?result_phrase_doc?in?result_phrase_docs:

result_phrase_index?=?result_phrase[result_phrase_doc]

for?index?in?result_phrase_index:

print?(str(index)?+?'?'),

print?"of?"?+?result_phrase_doc

print?""

else:

print?"no?matches!\r\n"

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的python 分词 识别_python分词如何实现新词识别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。