正向/逆向最大匹配法分词实现_正向最大匹配法

最大匹配法：最大匹配是指以词典为依据，取词典中最长单词为第一个次取字数量的扫描串，在词典中进行扫描（为提升扫描效率，还可以跟据字数多少设计多个字典，然后根据字数分别从不同字典中进行扫描）。例如：词典中最长词为“中华人民共和国”共7个汉字，则最大匹配起始字数为7个汉字。然后逐字递减，在对应的词典中进行查找。

下面以“我们在野生动物园玩”为例详细说明一下正向与逆向最大匹配方法：

• 1、正向最大匹配法：

正向即从前往后取词，从7->1，每次减一个字，直到词典命中或剩下1个单字。

第1次：“我们在野生动物”，扫描7字词典，无

第2次：“我们在野生动”，扫描6字词典，无

。。。。

第6次：“我们”，扫描2字词典，有

扫描中止，输出第1个词为“我们”，去除第1个词后开始第2轮扫描，即：

第2轮扫描：

第1次：“在野生动物园玩”，扫描7字词典，无

第2次：“在野生动物园”，扫描6字词典，无

。。。。

第6次：“在野”，扫描2字词典，有

扫描中止，输出第2个词为“在野”，去除第2个词后开始第3轮扫描，即：

第3轮扫描：

第1次：“生动物园玩”，扫描5字词典，无

第2次：“生动物园”，扫描4字词典，无

第3次：“生动物”，扫描3字词典，无

第4次：“生动”，扫描2字词典，有

扫描中止，输出第3个词为“生动”，第4轮扫描，即：

第4轮扫描：

第1次：“物园玩”，扫描3字词典，无

第2次：“物园”，扫描2字词典，无

第3次：“物”，扫描1字词典，无

扫描中止，输出第4个词为“物”，非字典词数加1，开始第5轮扫描，即：

第5轮扫描：

第1次：“园玩”，扫描2字词典，无

第2次：“园”，扫描1字词典，有

扫描中止，输出第5个词为“园”，单字字典词数加1，开始第6轮扫描，即：

第6轮扫描：

第1次：“玩”，扫描1字字典词，有

扫描中止，输出第6个词为“玩”，单字字典词数加1，整体扫描结束。

正向最大匹配法，最终切分结果为：“我们/在野/生动/物/园/玩”

2、正向最大匹配python代码实现

# -*- coding: utf-8 -*-
"""
Created on Thu Jul 19 08:57:56 2018
@author: Lenovo
"""
 
test_file = 'train/train.txt'#训练语料
test_file2 = 'test/test.txt'#测试语料
test_file3 = 'test_sc/test_sc_zhengxiang.txt'#生成结果
 
def get_dic(test_file): #读取文本返回列表
    with open(test_file,'r',encoding='utf-8',) as f:
        try:
            file_content = f.read().split()
        finally:
            f.close()
    chars = list(set(file_content))
    return chars
 
dic = get_dic(test_file)
def readfile(test_file2):
    max_length = 5
 
    h = open(test_file3,'w',encoding='utf-8',)
    with open(test_file2,'r',encoding='utf-8',) as f:
        lines = f.readlines()
 
    for line in lines:#分别对每行进行正向最大匹配处理
        max_length = 5
        my_list = []
        len_hang = len(line)
        while len_hang>0 :
            tryWord = line[0:max_length]
            while tryWord not in dic:
                if len(tryWord)==1:
                    break
                tryWord=tryWord[0:len(tryWord)-1]
            my_list.append(tryWord)
            line = line[len(tryWord):]
            len_hang = len(line)
 
        for t in my_list:#将分词结果写入生成文件
            if t == '\n' :
                h.write('\n')
            else:
                h.write(t + "  ")
 
    h.close()
 
readfile(test_file2)

• 3、逆向最大匹配算法

逆向即从后往前取词，其他逻辑和正向相同。即：

第1轮扫描：“在野生动物园玩”

第1次：“在野生动物园玩”，扫描7字词典，无

第2次：“野生动物园玩”，扫描6字词典，无

。。。。

第7次：“玩”，扫描1字词典，有

扫描中止，输出“玩”，单字字典词加1，开始第2轮扫描

第2轮扫描：“们在野生动物园”

第1次：“们在野生动物园”，扫描7字词典，无

第2次：“在野生动物园”，扫描6字词典，无

第3次：“野生动物园”，扫描5字词典，有

扫描中止，输出“野生动物园”，开始第3轮扫描

第3轮扫描：“我们在”

第1次：“我们在”，扫描3字词典，无

第2次：“们在”，扫描2字词典，无

第3次：“在”，扫描1字词典，有

扫描中止，输出“在”，单字字典词加1，开始第4轮扫描

第4轮扫描：“我们”

第1次：“我们”，扫描2字词典，有

扫描中止，输出“我们”，整体扫描结束。

逆向最大匹配法，最终切分结果为：“我们/在/野生动物园/玩

4、逆向python代码实现

# -*- coding: utf-8 -*-
"""
Created on Thu Jul 19 08:57:56 2018
@author: Lenovo
"""
test_file = 'train/train.txt'
test_file2 = 'test/test.txt'
test_file3 = 'test_sc/test_sc.txt'
 
def get_dic(test_file):
    with open(test_file,'r',encoding='utf-8',) as f:
        try:
            file_content = f.read().split()
        finally:
            f.close()
    chars = list(set(file_content))
    return chars
 
dic = get_dic(test_file)
def readfile(test_file2):
    max_length = 5
 
    h = open(test_file3,'w',encoding='utf-8',)
    with open(test_file2,'r',encoding='utf-8',) as f:
        lines = f.readlines()
 
    for line in lines:
        my_stack = []
        len_hang = len(line)
        while len_hang>0 :
            tryWord = line[-max_length:]
            while tryWord not in dic:
                if len(tryWord)==1:
                    break
                tryWord=tryWord[1:]
            my_stack.append(tryWord)
            line = line[0:len(line)-len(tryWord)]
            len_hang = len(line)
 
        while len(my_stack):
            t = my_stack.pop()
            if t == '\n' :
                h.write('\n')
            else:
                h.write(t + "  ")
 
    h.close()
 
readfile(test_file2)

• 5、正确率，召回率和F值

  正确率、召回率和F值是目标的重要评价指标。 
  
  正确率 = 正确识别的个体总数 / 识别出的个体总数 
  召回率 = 正确识别的个体总数 / 测试集中存在的个体总数 
  F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率)

编写评价程序：首先对生成的文本和gold文本每行通过切分形成词汇表，然后对两个词汇表从第一个词开始比较：
         如果当前词汇相同，表明结果正确，且之前的词汇拼成的字符串长度相等；
         如果当前词汇不同，结果错误，不断取词汇拼字符串直到两个字符串长度相同；
　　  依次对每行进行处理，计算出f值。

  评价程序实现如下：

# -*- coding: utf-8 -*-
"""
Created on Fri Jul 27 15:32:46 2018
@author: Lenovo
"""
 
test_file = 'test_sc/test_sc_zhengxiang.txt'
test_file2 = 'gold/test_gold.txt'
def get_word(fname):
 
    f = open(fname,'r',encoding='utf-8',)
    lines = f.readlines()
 
    return lines
 
 
def calc():
    lines_list_sc = get_word(test_file)
    lines_list_gold = get_word(test_file2)
 
    lines_list_num = len(lines_list_gold)
 
    right_num = 0
    m = 0#m存逆向结果文本词的总数
    n = 0#n存gold文本词的总数
 
    for i in range(lines_list_num):
 
        line_list_sc = list(lines_list_sc[i].split())#line_list_sc为生成结果每行通过空格切分后的词汇表
        line_list_gold = list(lines_list_gold[i].split())#line_list_gold为正确结果每行通过空格切分后的词汇表
 
        m += len(line_list_sc)
        n += len(line_list_gold)
 
        str_sc = ''#存结果文本每行无空格连接起来的字符串
        str_gold = ''#存gold文本每行无空格连接起来的字符串
 
        s = 0#表示结果文本每行列表的下标
        g = 0#表示gold文本每行列表的下标
 
        while s < len(line_list_sc) and g < len(line_list_gold):
            str_word_sc = line_list_sc[s]
            str_word_gold = line_list_gold[g]
 
            str_sc += str_word_sc
            str_gold += str_word_gold
 
            if str_word_sc == str_word_gold:#如果当前词汇相同，表明结果正确，且之前的词汇拼成的字符串长度相等
                s += 1
                g += 1
                right_num += 1
 
            else:#如果当前词汇不同，结果错误，不断取词汇拼字符串直到两个字符串长度相同
 
                while len(str_sc) > len(str_gold):
                    g += 1
                    str_gold += line_list_gold[g]
 
 
                while len(str_sc) < len(str_gold):
                    s += 1
                    str_sc += line_list_sc[s]
 
                g += 1
                s += 1
 
    print("生成结果词的个数：", m)
    print("gold文本词的个数：", n)
    print("正确词的个数：", right_num)
    p = right_num/m
    r = right_num/n
    f = 2*p*r/(p+r)
    print("正确率：", p)
    print("召回率：", r)
    print("正向f值：", f)
calc()

运行结果如下：

• 6、训练语料和测试语料见下百度云盘链接

链接: https://pan.baidu.com/s/1X0coEznut6_s0jsDG9_9Dg 密码: b393