python中文分词方法之基于规则的中文分词

基于规则的中文分词

包括，正向最大匹配法，逆向最大匹配法和双向最大匹配法。
最大匹配方法是最有代表性的一种基于词典和规则的方法，其缺点是严重依赖词典，无法很好地处理分词歧义和未登录词。优点是由于这种方法简单、速度快、且分词效果基本可以满足需求，因此在工业界仍然很受欢迎。

正向最大匹配法

思想：
正如方法名称，正向表示对句子从左到右选择词典中最长的词条进行匹配，获得分词结果。
1、统计分词词典，确定词典中最长词条的字符m；
2、从左向右取待切分语句的m个字符作为匹配字段，查找词典，如果匹配成功，则作为一个切分后的词语，否则，去掉待匹配字符的最后一个继续查找词典，重复上述步骤直到切分出所有词语。

算法详细描述：
可参考博客正向最大匹配法算法详细介绍

Coding举例：

dictA = ['南京市', '南京市长', '长江大桥',  '大桥']

maxDictA = max([len(word) for word in dictA])

sentence = "南京市长江大桥"

def cutA(sentence):

    result = []

    sentenceLen = len(sentence)

    n = 0

    while n < sentenceLen:

        matched = 0

        for i in range(maxDictA, 0, -1):

            piece = sentence[n:n+i]

            if piece in dictA:

                result.append(piece)

                matched = 1

                n = n + i

                break

        if not matched:

            result.append(sentence[n])

            n += 1

    print(result)

cutA(sentence)  # ['南京市长', '江', '大桥']

说明：具体应用中需要去除停用词

逆向最大匹配法

思想：
与正向最大匹配原理相同，主要差异是：
1、对句子从右到左选择词典中最长的词条进行匹配，获得分词结果；
2、当匹配失败时，去掉待匹配字符的最前面的一个继续查找词典。

Coding举例：

dictB = ['南京市', '南京市长', '长江大桥',  '大桥']

maxDictB = max([len(word) for word in dictA])

sentence = "南京市长江大桥"

def cutB(sentence):

    result = []

    sentenceLen = len(sentence)

    while sentenceLen > 0:

        word = ''

        for i in range(maxDictB, 0, -1):

            piece = sentence[sentenceLen-i:sentenceLen]

            if piece in dictB:

                word = piece

                result.append(word)

                sentenceLen -= i

                break

        if word is '':

            sentenceLen -= 1

            result.append(sentence[sentenceLen])

    print(result[::-1])

cutB(sentence)  # ['南京市', '长江大桥']

双向最大匹配法

思想：
将正向最大匹配和逆向匹配得到的分词结果进行比较，按照最大匹配原则，选择切分总词数最少的作为最终分词结果。

举例：
dictA：# [‘南京市长’, ‘江’, ‘大桥’]
dictB: # [‘南京市’, ‘长江大桥’]
最终选择，dictB的结果。

总结：词典简单高效，但是词典构建工作量巨大，对于新词切分总慢一步，很难通过词典覆盖到所有词。

二、推荐中文分词工具

请参考另外一篇文章，链接如下：

python 中文分词工具介绍

三、参考链接

内容：书籍《python自然语言处理算法与实战核心算法与实战》
中文信息处理报告2016
代码：https://github.com/nlpinaction/learning-nlp

巴特西

python自然语言处理（NLP）1------中文分词1，基于规则的中文分词方法

python中文分词方法之基于规则的中文分词

目录

常见中文分词方法

推荐中文分词工具

参考链接

一、四种常见的中文分词方法：