原文出处：http://www.lanceyan.com/tech/datadig_segment_step1.html
作者：严谨
转载请注明出处和来源
我们先人工对上面的句子来进行一下切词，使用斜线分割：“你/假如/上午/没/给/我/吃/冰淇淋/，/我/绝对/会/不/happy/的/。/”。但是程序如何做到自动切分？这个其实中国的前辈们已经做了很多中文分词的研究，常见的分词算法有：
1、基于词典的分词，需要先预设一个分词词典，比如上面句子切分出来的“假如、上午”这些词先存放在词典，然后把句子切分成单字组合成词语去词典里查找，匹配上了就挑选出来一个词。没有匹配上的就切分成单字。
2、基于统计的分词，需要先获取大量的文本语料库（比如新闻、微博等），然后统计文本里相邻的字同时出现的次数，次数越多就越可能构成一个词。当达到一定次数时就构成了一个词即可形成语料概率库。再对上面句子进行单字切分，把字与字结合后在语料概率库里查找对应的概率，如果概率大于一定值就挑选出来形成一个词。这个是大概描述，实际生产环境中还需要对句子的上下文进行结合才能更准确的分词。
3、基于语义的分词，简而言之就是模拟人类对句子的理解来进行分词。需要先整理出中文语句的句法、语义信息作为知识库，然后结合句子的上下文，对句子进行单字切分后组合成词逐个带入知识库进行识别，识别出来就挑选出一个词。目前还没有特别成熟的基于语义的分词系统。
为了让大家快速的了解分词技术，我们采用第一个方式来做测试：基于词典的分词，这种方式简单暴力可以解决百分之七八十的问题。基于词典的分词大概分为以下几种方式：
1、正向最大匹配
沿着我们看到的句子逐字拆分后组合成词语到词典里去匹配，直到匹配不到词语为止。举个实际的例子：“人民大会堂真雄伟”，我们先拆分为单字“人”去词典里去查找，发现有“人”这个词，继续组合句子里的单字组合“人民”去词典里查找，发现有“人民”这个词，以此类推发现到“人民大会堂”，然后会结合“人民大会堂真”去词典里查找没有找到这个词，第一个词“人民大会堂”查找结束。最终分词的结果为：“人民大会堂/真/雄伟”。
2、逆向最大匹配
这个和上面相反，就是倒着推理。比如“沿海南方向”，我们按正向最大匹配来做就会切分成 “沿海/南方/向”，这样就明显不对。采用逆向最大匹配法则来解决这个问题，从句子的最后取得“方向”这两个字查找词典找到“方向”这个词。再加上“南方向”组成三字组合查找词典没有这个词，查找结束，找到“方向”这个词。以此类推，最终分出“沿/海南/方向”。
3、双向最大匹配
顾名思义就是结合正向最大匹配和逆向最大匹配，最终取其中合理的结果。最早由哈工大王晓龙博士理论化的取最小切分词数，比如“我在中华人民共和国家的院子里看书”，正向最大匹配切分出来为“我/在/中华人民共和国/家/的/院子/里/看书”工8个词语，逆向最大匹配切分出来为“我/在/中华/人民/共/和/国家/的/院子/里/看书”共11个词语。取正向最大匹配切出来的结果就是正确的。但是如果把上面那个例子“沿海南方向”双向切分，都是3个词语，改如何选择？看第4个《最佳匹配法则》。
4、最佳匹配法则
先准备一堆文本语料库、一个词库，统计词库里的每一个词在语料库里出现的次数记录下来。最后按照词频高的优先选出，比如“沿海南方向”，正向切分为：“沿海/南方/向”，逆向切分为：“沿/海南/方向”。其中“海南”的频度最高，优先取出来。剩下“沿”、“方向”也就正常切分了。是不是这就是基于词典分词的最佳方案？比如数学之美中提到的：“把手抬起来” 和 “这扇门的把手”，可以分为“把”、“手”、“把手”，不管怎么分总有一句话的意思不对。后续再介绍如何通过统计的分词处理这些问题。
说了这么多，我们来实战一下如何基于词典的分词：
public class TestPositiveMatch {
public static void main(String[] args) {
String str = "我爱这个中华人民共和国大家庭";
List<String> normalDict = new ArrayList<String>();
normalDict.add("");
normalDict.add("爱");
normalDict.add("中华"); //测试词库里有中华和中华人民共和国，按照最大匹配应该匹配出中华人民共和国
normalDict.add("中华人民共和国");
int strLen = str.length(); //传入字符串的长度
int j = 0;
String matchWord = ""; //根据词库里识别出来的词
int matchPos = 0; //根据词库里识别出来词后当前句子中的位置
while (j < strLen) { //从0字符匹配到字符串结束
int matchPosTmp = 0; //截取字符串的位置
int i = 1;
while (matchPosTmp < strLen) { //从当前位置直到整句结束，匹配最大长度
matchPosTmp = i + j;
String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串
if (normalDict.contains(keyTmp)) { //判断当前字符串是否在词典中
matchWord = keyTmp; //如果在词典中匹配上了就赋值
matchPos = matchPosTmp; //同时保存好匹配位置
}
i++;
}
if (!matchWord.isEmpty()) {
//有匹配结果就输出最大长度匹配字符串
j = matchPos;
//保存位置，下次从当前位置继续往后截取
System.out.print(matchWord + " ");
} else {
//从当前词开始往后都没有能够匹配上的词，则按照单字切分的原则切分
System.out.print(str.substring(j, ++j) + " ");
}
matchWord = "";
}
}
}输出结果为： 我 爱 这 个 中华人民共和国 大 家 庭
按照这样我们一个基本的分词程序开发完成。
对于文章一开始提到的问题还没解决，如何让程序识别文本中的感情色彩。现在我们先要构建一个感情色彩词库“高兴”，修饰词库“没”、”不”。再完善一下我们的程序：
public class TestSentimentPositiveMatch {
public static void main(String[] args) {
String str = "你假如上午没给我吃冰淇淋，我绝对会不happy的。";
//语义映射
Map<String, String> sentimentMap = new HashMap<String, String>();
sentimentMap.put("happy", "高兴");
//情感词库
List<String> sentimentDict = new ArrayList<String>();
sentimentDict.add("happy");
//修饰词
List<String> decorativeDict = new ArrayList<String>();
decorativeDict.add("不");
decorativeDict.add("没");
//修饰词衡量分数
Map<String, Double> decorativeScoreMap = new HashMap<String, Double>();
decorativeScoreMap.put("不", -0.5);
decorativeScoreMap.put("没", -0.5);
List<String> decorativeWordList = new ArrayList<String>(); //修饰词
String sentimentResult = ""; //情感结果
int strLen = str.length(); //传入字符串的长度
int j = 0;
String matchSentimentWord = ""; //根据词库里识别出来的情感词
String matchDecorativeWord = ""; //根据词库里识别出来的修饰词
int matchPos = 0; //根据词库里识别出来词后当前句子中的位置
while (j < strLen) { //从0字符匹配到字符串结束
int matchPosTmp = 0; //截取字符串的位置
int i = 1;
while (matchPosTmp < strLen) { //从当前位置直到整句结束，匹配最大长度
matchPosTmp = i + j;
String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串
if (sentimentDict.contains(keyTmp)) { //判断当前字符串是否在词典中
matchSentimentWord = keyTmp; //如果在词典中匹配上了就赋值
matchPos = matchPosTmp; //同时保存好匹配位置
}
if (decorativeDict.contains(keyTmp)) { //判断当前字符串是否在词典中
matchDecorativeWord = keyTmp; //如果在词典中匹配上了就赋值
matchPos = matchPosTmp; //同时保存好匹配位置
}
i++;
}
if (!matchSentimentWord.isEmpty()) {
//有匹配结果就输出最大长度匹配字符串
j = matchPos;
//保存位置，下次从当前位置继续往后截取
System.out.print(matchSentimentWord + " ");
sentimentResult = sentimentMap.get(matchSentimentWord);
}
if (!matchDecorativeWord.isEmpty()) {
//有匹配结果就输出最大长度匹配字符串
j = matchPos;
//保存位置，下次从当前位置继续往后截取
System.out.print(matchDecorativeWord + " ");
decorativeWordList.add(matchDecorativeWord);
} else {
//从当前词开始往后都没有能够匹配上的词，则按照单字切分的原则切分
System.out.print(str.substring(j, ++j) + " ");
}
matchSentimentWord = "";
matchDecorativeWord = "";
}
double totalScore = 1;
for (String decorativeWord : decorativeWordList) {
Double scoreTmp = decorativeScoreMap.get(decorativeWord);
totalScore *= scoreTmp;
}
System.out.print("\r\n");
if (totalScore > 0) {
System.out.println("当前心情是：" + sentimentResult);
} else {
System.out.println("当前心情是：不" + sentimentResult);
}
}
}通过传入“你假如上午没给我吃冰淇淋，我绝对会不happy的。”，结果输出为：“当前心情是：高兴”。当然你也可以改变其中的修饰词，比如改为：“你假如上午没给我吃冰淇淋，我绝对会happy的。”，结果输出为：“当前心情是：不高兴”。
机器再也不是冷冰冰的，看起来他能读懂你的意思了。不过这只是一个开始，抛出几个问题：
1、如何让程序识别句子中的时间？比如“上午”、“下午2点”。
2、如何处理“把手抬起来” 和 “这扇门的把手”中的“把”与“手”的问题？
3、如何构建海量的知识库，让程序从“婴儿”变成“成年人”？
4、如何使用有限的存储空间海量的知识库？
5、如何提高程序在海量知识库中查找定位信息的效率？
6、如何识别新词、人名、新鲜事物等未知领域？
这是《纽约时报》刊登的2张照片，一张是老鼠的脑细胞(左)，一张是宇宙(右)。早期宇宙中星系互连关系，和大脑神经元相互连接，几乎无法分辨两张图之间的不同，大脑细胞与整个宇宙拥有一样的结构。
宇宙芸芸众生都是相通的，大脑也许就是一个小宇宙，在这个小宇宙又有很多星球、住着很多生物。而电脑也是宇宙中地球上的一个产物，只要存储计算速度发展到足够强大一定可以构建成一个强大的大脑。
你看这个单词 “testaword” 认识吗？可能不认识，因为我们五官先获取到的信息，然后根据大脑以往学习的经验做出判断。但是你看这个短语 ” test a word” 认识吗？再看看开始那个单词“testaword”是不是就亲切多了？
前端、后端、运维技能树思维导图，你在哪个阶段，码畜or码帝？
扫一扫
8629
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
