分词算法:逆向最大匹配法"/>
中文分词算法:逆向最大匹配法
1、词典
./data/rmm_dic.utf8
南京市
南京市长
长江大桥
人民解放军
大桥
2、RMM算法
#逆向最大匹配
class RMM(object):def __init__(self, dic_path):self.dictionary = set()self.maximum = 0#读取词典with open(dic_path, 'r', encoding='utf8') as f:for line in f:#移除字符串头尾指定的字符(默认为空格或换行符)或字符序列line = line.strip()if not line:continueself.dictionary.add(line)if len(line) > self.maximum:self.maximum = len(line)def cut(self, text):result = []index = len(text)while index > 0:print('index='+str(index))word = None# 语法 range(start, stop[, step])for size in range(self.maximum, 0, -1):print('size='+str(size))# 切片开始位置:index - sizeif index - size < 0:continue#逆向切片,提取当前可能存在的最长词piece = text[(index - size):index]print('piece='+str(piece))#切分出一个词if piece in self.dictionary:word = pieceresult.append(word)#切分词后,剩下的字符串长度index -= sizebreakif word is None:index -= 1return result[::-1]def main():text = "南京市长江大桥"tokenizer = RMM('./data/rmm_dic.utf8')print(tokenizer.cut(text))main()
执行结果
index=7
size=5
piece=市长江大桥
size=4
piece=长江大桥
index=3
size=5
size=4
size=3
piece=南京市
['南京市', '长江大桥']
程序解析:
1、初始值
待切分字符串长度index =7
最大词典长度maximum=5
2、第1次大循环while
index =7
(1)第1次for循环
size=5
切分出可能的最长词(5)=市长江大桥,非词,进入下次循环
(2)第2次for循环
size=4
切分出可能的最长词=长江大桥
,命中
剩下待切分长度index=3
跳出for循环
3、第2次大循环while
index =3
(1)第1次for循环
size=5,大于待切分长度3
(2)第2次for循环
size=4,大于待切分长度3
(3)第3次for循环
size=3,等于待切分长度3
切分出可能的最长词=南京市
,命中
剩下待切分长度index=0
跳出for循环
4、第3次大循环while
不满足index > 0,退出
更多推荐
中文分词算法:逆向最大匹配法
发布评论