2017年华东师范大学校赛 - EOJ - 3252 - 语言辨别

題目鏈接

題意簡述如下：

給定一篇字母形式的真實語料，判斷是英文，是中文還是日文。

在解題之前，我先大喊三聲計算語言學大法好，在別人的博客裏看到華師校賽有這樣的題目我就興奮地跑過來馬上A掉了。出題人腦洞很大啊。

數據給的是真實語料，所以語言特徵是很明顯的。因此，我們觀察一下文本規律即可。

英文的規律：

有如下不符合其他兩種語言拼寫方式的特徵詞，一旦出現即可判定：is, are, in, and。

中文（拼音）的規律：

聲母最多兩個字母，韻母最多三個字母。所以，單詞長度絕對是不會超過5的。爲了保險起見我們設定長度閾值爲6，即：若整篇文章所有的單詞的長度都不超過6，就判定爲中文。（這個長度閾值只能往大裏改，而不能往小裏改。）

日文（羅馬音）就不需要找規律了，剩下的就是日文。文本中的單詞可以以如下方式存在：

1. 單獨元音。
2. 連續的元音。
3. 輔音+元音。
4. （3）和其他形態的組合，其中可能含有連續的輔音（拗音及促音）。

這些都無所謂了（逃）。

代碼如下：

#include<bits/stdc++.h>
using namespace std;
main(){
    string s;
    int len_less_than_six = 1;
    while(cin >> s){
        for(int i = 0;i<s.size();i++){
            if(s[i] == '.'|| s[i] == '\'' || s[i] == '?' || s[i] == ','||(s[i]>='0' &&  s[i]<='9')) {
                s[i] = '\0';
                break;
            }
        }
        if(s == "is" || s == "are" || s == "in" || s == "and"){ cout << "English" << endl;return 0;}
        if(s.size()>6) len_less_than_six = 0;
    }
    if(len_less_than_six) cout << "Chinese" << endl;
    else cout << "Japanese" << endl;
}

評注：

真實的語言識別遠遠沒有這麼簡單。拉丁語系的語言，區分起來應該需要不小的語料。

還是要計算一下特徵向量……