Python 最大概率法進行漢語切分的方法
要求:
1 采用基于語言模型的最大概率法進行漢語切分。
2 切分算法中的語言模型可以采用n-gram語言模型,要求n >1,并至少采用一種平滑方法;
代碼:
廢話不說,代碼是最好的語言
import re
import math
MAX_SPLITLEN = 4#最大切分長度
corpus_lib = ''#corpus:語料
def init_corpus_lib(path): # 初始化語料庫
global corpus_lib
with open(path, 'r', encoding='utf-8', errors='ignore') as file:
corpus_lib = str(file.readlines())
def get_candidate_words(sen):
global MAX_SPLITLEN
global corpus_lib
candidate_words = []
for sp in range(len(sen)):
w = sen[sp]
candidate_words.append([w, sp, sp]) # 有些字可能不在語料庫中,把它作為單個字加進去
for mp in range(1, MAX_SPLITLEN): # 判斷1 ~ MAX_SPLITLEN-1這3種詞中是否有候選詞.
if sp + mp < len(sen):
w += sen[sp + mp]
if w in corpus_lib:
candidate_words.append([w, sp, sp + mp]) # 存儲詞,初始位置,結(jié)束位置
print('候選詞有:%s' % candidate_words)
return candidate_words
def segment_sentence(sen): # sen:sentence即要切分的句子
global MAX_SPLITLEN
global corpus_lib
candidate_words = get_candidate_words(sen)
count = 0
for word in candidate_words:
if count > 1000: # 為防止對長句子解析時間過長,放棄一部分精度追求效率
break
if word[1] == 0 and word[2] != len(sen) - 1: # 如果句子中開頭的部分,還沒有拼湊成整個詞序列的話
no_whitespace_sen = ''.join(word[0].split())
for word in candidate_words: # word比如:['今天', 1, 2],1是今在句子中的位置,2是天的位置
if word[1] == 0 and word[2] != len(sen) - 1:
end = word[2]
for later_word in candidate_words:
if later_word[1] == end + 1: # 如果later_word是當前詞的后續(xù)詞,那么拼接到當前詞上
word_seq = [word[0] + ' ' + later_word[0], word[1], later_word[2]] # 合并
candidate_words.append(word_seq)
# print('拼出了新詞:%s' % word_seq)
count += 1
candidate_words.remove(word) # 遍歷完后,這個開頭部分短語要移除掉,不然下次遍歷還會對它做無用功
print('所有結(jié)果詞序列有:%s' % candidate_words)
word_segment_res_list = [] # 存儲分詞結(jié)果序列
for seque in candidate_words:
if seque[1] == 0 and seque[2] == len(sen) - 1:
word_segment_res_list.append(seque[0])
print('獲得的所有分詞結(jié)果是:')
print(word_segment_res_list)
return word_segment_res_list
# P(w1,w2,...,wn) = P(w1/start)P(w2/w1)P(w3/w2).....P(Wn/Wn-1)
# 下標從0開始: = P(w0/start)P(w1/w0)...P(Wn-1/Wn-2)
def calculate_word_sequence_probability(sequence):
global corpus_lib
word_list = sequence.split(' ')
total_word_num = len(corpus_lib)
prob_total = 0.0
word_start = word_list[0]
# 計算第一個詞出現(xiàn)的概率P(w1/start)=Count(w1)/total
count = len(re.findall(r'\s' + word_start + r'\s', corpus_lib)) + 1 # 加1平滑
prob_total += math.log(count / total_word_num)
# 計算P(w2/w1)P(w3/w2).....P(Wn/Wn-1)
for i in range(len(word_list) - 1): # 0~ n-2
prev_w = word_list[i]
later_w = word_list[i + 1]
count = len(re.findall(r'\s' + prev_w + r'\s' + later_w + r'\s', corpus_lib))
count += 1 # 做一次加1平滑
prob_total += math.log(count / total_word_num)
print('%s的概率是:' % sequence)
print(prob_total)
return prob_total
def calculate_biggest_prob(word_segm_res):
best_w_s = ''
max_prob = 0.0
for w_s in word_segm_res: # 改進:先只計算詞的數(shù)目<=0.6 句子字數(shù)的,如果不行再計算全部的概率
no_whitespace_sen = ''.join(w_s.split())
zi_shu = len(no_whitespace_sen)
if len(w_s.split(' ')) <= zi_shu * 0.6:
prob = calculate_word_sequence_probability(w_s)
if max_prob == 0 or max_prob < prob:
best_w_s = w_s
max_prob = prob
if best_w_s == '': # 如果上面的0.6不行的話,再計算全部的概率
prob = calculate_word_sequence_probability(w_s)
if max_prob == 0 or max_prob < prob:
best_w_s = w_s
max_prob = prob
print('最好的分詞結(jié)果(概率為%s)是 :%s' % (math.pow(math.e, max_prob), best_w_s))
return best_w_s
def split_middle(sen_to_segment): # 從中間切分一下,返回中間切分的位置
length = len(sen_to_segment)
start = int(length / 2) - 2
end = start + 5
# 對中間的5個字進行切分,然后找第一個空格,按此把整個句子一分為二
middle_part = sen_to_segment[start:end]
best_segm_res = calculate_biggest_prob(segment_sentence(middle_part))
return start + best_segm_res.index(' ') - 1
def split_mark_and_too_long_sent(sentences): # 按任意標點符號劃分句子,對每個短句進行分詞
sen_list = sentences.splitlines()
print(sen_list)
out_text = ''
for line in sen_list:
sen_to_segment = '' #
for single_char in line:
if single_char.isalpha(): # isalpha()表示是否是單詞,如果是單詞的為True,標點符號等為False
sen_to_segment += single_char
elif not single_char.isalpha() and sen_to_segment == '': # 如果single_char是標點符號、數(shù)字,且前面沒有待分詞的句子
out_text += single_char + ' '
print(single_char)
else: # 如果single_char是標點符號、數(shù)字,
# 如果句子太長,先從中間切分一下
if len(sen_to_segment) >= 20:
middle = split_middle(sen_to_segment)
left_half = sen_to_segment[0:middle + 1] # 左半部分
best_segm_res = calculate_biggest_prob(segment_sentence(left_half))
out_text += best_segm_res + ' '
sen_to_segment = sen_to_segment[middle + 1:len(sen_to_segment)] # 右半部分交給后面幾行處理
best_segm_res = calculate_biggest_prob(segment_sentence(sen_to_segment))
print(single_char)
sen_to_segment = ''
out_text += best_segm_res + ' ' + single_char + ' ' # 標點兩側(cè)也用空格隔起來
# 如果這行句子最后還有一些文字沒有切分的話
if sen_to_segment != '':
best_segm_res = calculate_biggest_prob(segment_sentence(sen_to_segment))
out_text += best_segm_res + ' '
out_text += '\n'
with open('D:/1佩王的文件/計算語言學基礎(chǔ)/生成結(jié)果.txt','w') as file:
file.write(out_text)
print(out_text)
if __name__ == '__main__':
path = 'D:/1佩王的文件/計算語言學基礎(chǔ)/北大(人民日報)語料庫199801.txt'
init_corpus_lib(path)#初始化語料庫
sentences = ''
path = 'E:/study/1.研一的課/計算語言學基礎(chǔ)課件/testset.txt'#讀取要切分的文章
with open(path, 'r', encoding='gbk', errors='ignore') as file:
for line in file.readlines():
sentences += line
# 改進:先對句子按標點符號劃分成多個短句,然后對每個短句進行切分、計算概率
split_mark_and_too_long_sent(sentences)
實現(xiàn)思路
1、處理語料庫
用的是人民日報語料庫,然后為了方便把屬性去掉了,只留下了詞。
2、讀要分詞的文本,按照標點符號、數(shù)字進行分割
按標點符號、數(shù)字進行分割,確保分割結(jié)果是只有漢字的句子。如果句子過長(>=20),則先對句子中間位置的5個字先切分一次,從5個字的切分結(jié)果的第一個空格處,把句子分成兩部分,再對每一部分分別切詞。標點符號、數(shù)字則按照原樣輸出。
3、找出所有候選詞
從一個句子中找出所有的候選詞。如每次取4個字,假設(shè)為abcd這四個字,得到:a\b\c\d\ab\bc\cd\abc\bcd\abcd,判斷它們每個是否在語料庫中,如果是的話則存為候選詞。并存儲下這個詞在句子中的開始位置和結(jié)束位置。
4、計算出一個句子所有的切分結(jié)果
所有的候選詞放到了一個python的list(即集合)中,遍歷所有開始位置為0但結(jié)結(jié)束位不為0的候選詞,按照詞的開始位置和結(jié)束位置進行拼湊,新拼湊出的元素會加入到這個list中。當一個詞和其他所有能拼湊的詞拼湊完后,從list中刪除這個詞。當遍歷結(jié)束后,集合中會有長度等于句子長度的元素,這些元素就是一個句子所有的切分結(jié)果。
4、使用2-gram模型計算出每種切分結(jié)果的概率,挑選出最大概率的句子切分結(jié)果
計算概率時使用條件概率,使用加一平滑。條件概率的公式為:P(w1,w2,…,wn) = P(w1/start)P(w2/w1)P(w3/w2)…..P(Wn/Wn-1),利用log把乘法變成加法:log P(w1,w2,…,wn) = log P(w1/start) + logP(w2/w1) + ….. + logP(Wn/Wn-1)
句子往往不是由很多個單字組成的,所以為了提高速度,我們先計算出切分后詞個數(shù)<= 0.6 * 句子字數(shù)的切分結(jié)果的概率,如果不為0則返回這個最大概率,如果為0的話,再計算 >= 0.6 的切分結(jié)果中的最大概率。
5、將擁有最大概率的句子切分結(jié)果存到文件中
以上這篇Python 最大概率法進行漢語切分的方法就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。
- 基于python實現(xiàn)對文件進行切分行
- Python實現(xiàn)filter函數(shù)實現(xiàn)字符串切分
- Python 等分切分數(shù)據(jù)及規(guī)則命名的實例代碼
- python按比例隨機切分數(shù)據(jù)的實現(xiàn)
- 分享Python切分字符串的一個不錯方法
- python實現(xiàn)根據(jù)文件關(guān)鍵字進行切分為多個文件的示例
- Python數(shù)據(jù)集切分實例
- 實例分析python3實現(xiàn)并發(fā)訪問水平切分表
- Ubuntu下使用Python實現(xiàn)游戲制作中的切分圖片功能
- python實現(xiàn)按行切分文本文件的方法
- Python自然語言處理之切分算法詳解
相關(guān)文章
通過 Python 和 OpenCV 實現(xiàn)目標數(shù)量監(jiān)控
這篇文章主要介紹了如何通過 Python 和 OpenCV 實現(xiàn)目標數(shù)量監(jiān)控,本文通過實例代碼圖文的形式給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下2020-01-01
Python調(diào)用OpenCV實現(xiàn)圖像平滑代碼實例
這篇文章主要介紹了Python調(diào)用OpenCV實現(xiàn)圖像平滑代碼實例,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-06-06
Python內(nèi)置函數(shù)——__import__ 的使用方法
本篇文章主要介紹了Python內(nèi)置函數(shù)——__import__ 的使用方法,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧2017-11-11
對YOLOv3模型調(diào)用時候的python接口詳解
今天小編就為大家分享一篇對YOLOv3模型調(diào)用時候的python接口詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08
Python 執(zhí)行字符串表達式函數(shù)(eval exec execfile)
今天在網(wǎng)上搜尋一些應用的例子時,發(fā)現(xiàn)有人用TK僅僅幾行代碼就寫了個簡易的計算器,驚為天人?;貞浧饎倢W軟件技術(shù)基礎(chǔ)時編寫簡易計算器的艱辛,頓時淚流滿面2014-08-08
Python中讓MySQL查詢結(jié)果返回字典類型的方法
這篇文章主要介紹了Python中讓MySQL查詢結(jié)果返回字典類型的方法,默認情況下Mysql返回的是元組類型,本文實現(xiàn)了返回字典類型,需要的朋友可以參考下2014-08-08

