转载:http://apps.hi.baidu.com/share/detail/15014495
中文分词在中文信息处理中是最最基础的,无论机器翻译亦或信息检索还是其他相关应用,如果涉及中文,都离不开中文分词,因此中文分词具有极高的地 位。中文分词入门最简单应该是最大匹配法了,当年师兄布置给我的第一个学习任务就是实现最大匹配 法的分词算法(正向、逆向)。记得当时对自己参考学习最有帮助的是北大詹卫东老师“中文信息处理基础”的课件和源程序,不过他实现的是mfc程序,词表存 储在数据库里。自己实现时用纯c++实现,利用hash_map存储词表。这里我介绍一下相关的知识和一个简单的程序示例,部分参考自詹老师的讲义。
正向最大匹配法算法如下所示:
(注:以上最大匹配算法图来自于詹老师讲义)
逆向匹配法思想与正向一样,只是从右向左切分,这里举一个例子:
输入例句:S1=”计算语言学课程有意思” ;
定义:最大词长MaxLen = 5;S2= ” “;分隔符 = “/”;
假设存在词表:…,计算语言学,课程,意思,…;
最大逆向匹配分词算法过程如下:
(1)S2=”";S1不为空,从S1右边取出候选子串W=”课程有意思”;
(2)查词表,W不在词表中,将W最左边一个字去掉,得到W=”程有意思”;
(3)查词表,W不在词表中,将W最左边一个字去掉,得到W=”有意思”;
(4)查词表,W不在词表中,将W最左边一个字去掉,得到W=”意思”
(5)查词表,“意思”在词表中,将W加入到S2中,S2=” 意思/”,并将W从S1中去掉,此时S1=”计算语言学课程有”;
(6)S1不为空,于是从S1左边取出候选子串W=”言学课程有”;
(7)查词表,W不在词表中,将W最左边一个字去掉,得到W=”学课程有”;
(8)查词表,W不在词表中,将W最左边一个字去掉,得到W=”课程有”;
(9)查词表,W不在词表中,将W最左边一个字去掉,得到W=”程有”;
(10)查词表,W不在词表中,将W最左边一个字去掉,得到W=”有”,这W是单字,将W加入到S2中,S2=“ /有 /意思”,并将W从S1中去掉,此时S1=”计算语言学课程”;
(11)S1不为空,于是从S1左边取出候选子串W=”语言学课程”;
(12)查词表,W不在词表中,将W最左边一个字去掉,得到W=”言学课程”;
(13)查词表,W不在词表中,将W最左边一个字去掉,得到W=”学课程”;
(14)查词表,W不在词表中,将W最左边一个字去掉,得到W=”课程”;
(15)查词表,“意思”在词表中,将W加入到S2中,S2=“ 课程/ 有/ 意思/”,并将W从S1中去掉,此时S1=”计算语言学”;
(16)S1不为空,于是从S1左边取出候选子串W=”计算语言学”;
(17)查词表,“计算语言学”在词表中,将W加入到S2中,S2=“计算语言学/ 课程/ 有/ 意思/”,并将W从S1中去掉,此时S1=”";
(18)S1为空,输出S2作为分词结果,分词过程结束。
相应程序示例:
准备文件:建立一个词表文件wordlexicon,格式如下
计算语言学
课程
意思
输入文件:test,格式如下
计算语言学课程有意思
编译后执行如下:SegWord.exe test
输出分词结果文件:SegmentResult.txt
源代码如下:
// Dictionary.h
#include
#include
#include
#include
#include
using namespace std;
using namespace stdext;
class CDictionary
{
public:
CDictionary(); //将词典文件读入并构造为一个哈希词典
~CDictionary();
int FindWord(string w); //在哈希词典中查找词
private:
string strtmp; //读取词典的每一行
string word; //保存每个词
hash_map wordhash; // 用于读取词典后的哈希
hash_map::iterator worditer; //
typedef pair sipair;
};
//将词典文件读入并构造为一个哈希词典
CDictionary::CDictionary()
{
ifstream infile(“wordlexicon”); // 打开词典
if (!infile.is_open()) // 打开词典失败则退出程序
{
cerr <<"Unable to open input file: " <<"wordlexicon"
<<" -- bailing out!" < exit(-1);
}
while (getline(infile, strtmp, &#39;n&#39;)) // 读入词典的每一行并将其添加入哈希中
{
istringstream istr(strtmp);
istr >> word; //读入每行第一个词
wordhash.insert(sipair(word, 1)); //插入到哈希中
}
}
CDictionary::~CDictionary()
{
}
//在哈希词典中查找词&#xff0c;若找到&#xff0c;则返回&#xff0c;否则返回
int CDictionary::FindWord(string w)
{
if (wordhash.find(w) !&#61; wordhash.end())
{
return 1;
}
else
{
return 0;
}
}
// 主程序main.cpp
#include “Dictionary.h”
# define MaxWordLength 10 // 最大词长为个字节&#xff08;即个汉字&#xff09;
# define Separator “/ ” // 词界标记
CDictionary WordDic; //初始化一个词典
//对字符串用最大匹配法&#xff08;正向或逆向&#xff09;处理
string SegmentSentence(string s1)
{
string s2 &#61; “”; //用s2存放分词结果
while(!s1.empty())
{
int len &#61;(int) s1.length(); // 取输入串长度
if (len > MaxWordLength) // 如果输入串长度大于最大词长
{
len &#61; MaxWordLength; // 只在最大词长范围内进行处理
}
//string w &#61; s1.substr(0, len); // &#xff08;正向用&#xff09;将输入串左边等于最大词长长度串取出作为候选词
string w &#61; s1.substr(s1.length() – len, len); //逆向用
int n &#61; WordDic.FindWord(w); // 在词典中查找相应的词
while(len > 2 && n &#61;&#61; 0) // 如果不是词
{
len -&#61; 2; // 从候选词右边减掉一个汉字&#xff0c;将剩下的部分作为候选词
//w &#61; w.substr(0, len); //正向用
w &#61; s1.substr(s1.length() – len, len); //逆向用
n &#61; WordDic.FindWord(w);
}
//s2 &#43;&#61; w &#43; Separator; // (正向用&#xff09;将匹配得到的词连同词界标记加到输出串末尾
w &#61; w &#43; Separator; // (逆向用)
s2 &#61; w &#43; s2 ; // (逆向用)
//s1 &#61; s1.substr(w.length(), s1.length()); //(正向用)从s1-w处开始
s1 &#61; s1.substr(0, s1.length() – len); // (逆向用)
}
return s2;
}
//对句子进行最大匹配法处理&#xff0c;包含对特殊字符的处理
string SegmentSentenceMM (string s1)
{
string s2 &#61; “”; //用s2存放分词结果
int i;
int dd;
while(!s1.empty() )
{
unsigned char ch &#61; (unsigned char)s1[0];
if (ch <128) // 处理西文字符
{
i &#61; 1;
dd &#61; (int)s1.length();
while (i
{
i&#43;&#43;;
}
if ((ch !&#61; 32) && (ch !&#61; 10) && (ch !&#61; 13)) // 如果不是西文空格或换行或回车符
{
s2 &#43;&#61; s1.substr(0,i) &#43; Separator;
}
else
{
if (ch &#61;&#61; 10 || ch &#61;&#61; 13) // 如果是换行或回车符&#xff0c;将它拷贝给s2输出
{
s2 &#43;&#61; s1.substr(0, i);
}
}
s1 &#61; s1.substr(i,dd);
continue;
}
else
{
if (ch <176) // 中文标点等非汉字字符
{
i &#61; 0;
dd &#61; (int)s1.length();
while(i
&#61; 161)
&& (!((unsigned char)s1[i] &#61;&#61; 161 && ((unsigned char)s1[i&#43;1] >&#61; 162 && (unsigned char)s1[i&#43;1] <&#61; 168)))
&& (!((unsigned char)s1[i] &#61;&#61; 161 && ((unsigned char)s1[i&#43;1] >&#61; 171 && (unsigned char)s1[i&#43;1] <&#61; 191)))
&& (!((unsigned char)s1[i] &#61;&#61; 163 && ((unsigned char)s1[i&#43;1] &#61;&#61; 172 || (unsigned char)s1[i&#43;1] &#61;&#61; 161)
|| (unsigned char)s1[i&#43;1] &#61;&#61; 168 || (unsigned char)s1[i&#43;1] &#61;&#61; 169 || (unsigned char)s1[i&#43;1] &#61;&#61; 186
|| (unsigned char)s1[i&#43;1] &#61;&#61; 187 || (unsigned char)s1[i&#43;1] &#61;&#61; 191)))
{
i &#61; i &#43; 2; // 假定没有半个汉字
}
if (i &#61;&#61; 0)
{
i &#61; i &#43; 2;
}
if (!(ch &#61;&#61; 161 && (unsigned char)s1[1] &#61;&#61; 161)) // 不处理中文空格
{
s2&#43;&#61;s1.substr(0, i) &#43; Separator; // 其他的非汉字双字节字符可能连续输出
}
s1 &#61; s1.substr(i, dd);
continue;
}
} // 以下处理汉字串
i &#61; 2;
dd &#61; (int)s1.length();
while(i
&#61; 176)
{
i &#43;&#61; 2;
}
s2 &#43;&#61; SegmentSentence(s1.substr(0, i));
s1 &#61; s1.substr(i,dd);
} return s2;
}
int main(int argc, char *argv[])
{
string strtmp; //用于保存从语料库中读入的每一行
string line; //用于输出每一行的结果
ifstream infile(argv[1]); // 打开输入文件
if (!infile.is_open()) // 打开输入文件失败则退出程序
{
cerr <<"Unable to open input file: " < <<" -- bailing out!" < exit(-1);
}
ofstream outfile1("SegmentResult.txt"); //确定输出文件
if (!outfile1.is_open())
{
cerr <<"Unable to open file&#xff1a;SegmentResult.txt"
<<"--bailing out!" < exit(-1);
}
while (getline(infile, strtmp, &#39;n&#39;)) //读入语料库中的每一行并用最大匹配法处理
{
line &#61; strtmp;
line &#61; SegmentSentenceMM(line); // 调用分词函数进行分词处理
outfile1 < }
return 0;
}
补充说明&#xff1a;如果使用正向匹配法&#xff0c;请将源代码中的相关注释 “//"互换。