（個人學習筆記，慎重參考）

1 基本概念

中文分詞

指的是將一段文本拆分為一系列單詞的過程，這些單詞順序拼接后等于原文本。
作為中文信息處理的第一站，是后續nlp任務的基礎，中文分詞算法大致可分為詞典規則與統計學習，針對具體問題往往會以統計學習為主、詞典規則為輔。

2 正向最長匹配

最長匹配算法

就是在以某個下標為起點遞增查詞的過程中，優先輸出更長的單詞，這種規則被稱為最長匹配算法。從前往后匹配則稱為正向最長匹配，反之則稱為逆向最長匹配。

# -*- coding:utf-8 -*-from tests.book.ch02.utility import load_dictionarydef forward_segment(text, dic):word_list = []i = 0while i < len(text):longest_word = text[i] # 當前掃描位置的單字for j in range(i + 1, len(text) + 1): # 所有可能的結尾word = text[i:j] # 從當前位置到結尾的連續字符串if word in dic: # 在詞典中if len(word) > len(longest_word): # 并且更長longest_word = word # 則更優先輸出word_list.append(longest_word) # 輸出最長詞i += len(longest_word) # 正向掃描return word_listif __name__ == '__main__':dic = load_dictionary()print(forward_segment('就讀北京大學', dic))print(forward_segment('研究生命起源', dic))

運行結果：

['就讀', '北京大學'] ['研究生', '命', '起源']

• 從代碼邏輯可以看出，在匹配到字典中的最長字符串優先輸出，若以該起點的字符中都不在字典中，則該起點的單字作為分詞輸出；
• [‘研究生’, ‘命’, ‘起源’]產生誤差的原因在于，正向最長匹配“研究生”的優先級大于“研究”，下面采用逆向最長匹配解決這個問題；

3 逆向最長匹配

# -*- coding:utf-8 -*- # Author：hankcs # Date: 2018-05-22 21:05 # 《自然語言處理入門》2.3.3 逆向最長匹配 # 配套書籍：http://nlp.hankcs.com/book.php # 討論答疑：https://bbs.hankcs.com/ from tests.book.ch02.utility import load_dictionarydef backward_segment(text, dic):word_list = []i = len(text) - 1while i >= 0: # 掃描位置作為終點longest_word = text[i] # 掃描位置的單字for j in range(0, i): # 遍歷[0, i]區間作為待查詢詞語的起點word = text[j: i + 1] # 取出[j, i]區間作為待查詢單詞if word in dic:if len(word) > len(longest_word): # 越長優先級越高longest_word = wordbreakword_list.insert(0, longest_word) # 逆向掃描，所以越先查出的單詞在位置上越靠后i -= len(longest_word)return word_listif __name__ == '__main__':dic = load_dictionary()print(backward_segment('研究生命起源', dic))print(backward_segment('項目的研究計劃', dic))

運行結果：

['研究', '生命', '起源'] ['項', '目的', '研究計劃']

• [‘研究’, ‘生命’, ‘起源’]分詞正確了，但是[‘項’, ‘目的’, ‘研究計劃’]又錯了，后者用正向最長匹配可以正確分詞；

4 雙向最長匹配

• 清華大學的孫茂松教授曾經做過統計，在隨機挑選的3680個句子中，正向匹配錯誤而逆向匹配正確的句子占比$9.24\%$，正向匹配正確而逆向匹配錯誤的情況則沒有。
• 基于類似上面觀察到的一些經驗，人們繼續提出了雙向最長匹配，具體規則如下：

（1）同時執行正向和逆向最長匹配，若兩者的詞數不同，則返回詞數更少的那一個；
（2）否則，返回兩者中單字更少的那一個。當單字數也相同時，優先返回逆向最長匹配的結果；

# -*- coding:utf-8 -*-from tests.book.ch02.backward_segment import backward_segment from tests.book.ch02.forward_segment import forward_segment from tests.book.ch02.utility import load_dictionarydef count_single_char(word_list: list): # 統計單字成詞的個數return sum(1 for word in word_list if len(word) == 1)def bidirectional_segment(text, dic):f = forward_segment(text, dic)b = backward_segment(text, dic)if len(f) < len(b): # 詞數更少優先級更高return felif len(f) > len(b):return belse:if count_single_char(f) < count_single_char(b): # 單字更少優先級更高return felse:return b # 都相等時逆向匹配優先級更高if __name__ == '__main__':dic = load_dictionary()print(bidirectional_segment('研究生命起源', dic))

運行結果：

['研究', '生命', '起源']

5 三種算法對比

• 上圖顯示，雙向最長匹配的確在2、3、5這3種情況下選擇出了最好的結果，但在4號句子上選擇了錯誤的結果，使得最終正確率 3/6 反而小于逆向最長匹配的 4/6 ， 由此，規則系統的脆弱可見一斑。規則集的維護有時是拆東墻補西墻，有時是幫倒忙。

6 參考文獻

何晗《自然語言處理入門》；

總結

以上是生活随笔為你收集整理的中文分词--词典分词--最长匹配的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。