例子:“经常有意见分歧”
词典:["经常","有","意见","意","见","有意见","分歧","分","歧"]
概率P(x):{"经常":0.08,"有":0.04,"意见":0.08,"意":0.01,"见":0.005,"有意见":0.002,"分歧":0.04,"分":0.02, "歧":0.005}
概率P(x)代表的是该词x在我们日常生活所见的文本中出现的概率。
step1:根据词典,利用“前向最大匹配算法/后向最大匹配算法”找出所有可能的分词情况,如下:
- 经常 / 有意见 / 分歧
- 经常 / 有意见 / 分 / 歧
- 经常 / 有 / 意见 / 分歧
- 经常 / 有 / 意见 / 分 / 歧
step2:将所有通过最大匹配算法生成的所有分词组合方式通过“语言模型”来计算概率,概率越大的分词方式越好。例如第一个情况的概率为:
P ( 经 常 , 有 意 见 , 分 歧 ) = P ( 经 常 ) ∗ P ( 有 意 见 ) ∗ P ( 分 歧 ) = 0.08 ∗ 0.02 ∗ 0.04 = 0.000064 P(经常,有意见,分歧)=P(经常)∗P(有意见)∗P(分歧)=0.08∗0.02∗0.04=0.000064 P(经常,有意见,分歧)=P(经常)∗P(有意见)∗P(分歧)=0.08∗0.02∗0.04=0.000064
我们考虑到这样算的话值会很小,很容易造成内存溢出,所以引入 − l n −ln −ln 来计算,也就是由算 P ( x ) P(x) P(x) 的最大值变为算 − l n ( P ( x ) ) -ln(P(x)) −ln(P(x)) 的最小值,
-ln(P(x)):{"经常":2.52,"有":3.21,"意见":2.52,"意":4.6,"见":5.29,"有意见":6.21,"分歧":3.21,"分":3.9, "歧":5.29}
− l n [ P ( 经 常 , 有 意 见 , 分 歧 ) ] = − l n [ P ( 经 常 ) ∗ P ( 有 意 见 ) ∗ P ( 分 歧 ) ] = − l n ( P ( 经 常 ) − l n ( 有 意 见 ) − l n ( 分 歧 ) = 2.52 + 6.21 + 3.21 = 11.94 \begin{aligned} −ln[P(经常,有意见,分歧)]&=−ln[P(经常)∗P(有意见)∗P(分歧)]\\ &=−ln(P(经常)−ln(有意见)−ln(分歧)\\ &=2.52+6.21+3.21=11.94 \end{aligned} −ln[P(经常,有意见,分歧)]=−ln[P(经常)∗P(有意见)∗P(分歧)]=−ln(P(经常)−ln(有意见)−ln(分歧)=2.52+6.21+3.21=11.94
但是这两步下来时间复杂度太高,并不可取。怎么能够优化一下呢?就是接下来的维特比算法
维特比算法(Viterbi Algorithm)本质上还是动态规划(Dynamic Programming)
例子:“经常有意见分歧”
我们仍然是有以下几个数据:
词典:["经常","有","意见","意","见","有意见","分歧","分","歧"]
概率P(x):{"经常":0.08,"有":0.04,"意见":0.08,"意":0.01,"见":0.005,"有意见":0.002,"分歧":0.04,"分":0.02, "歧":0.005}
-ln(P(x)):{"经常":2.52,"有":3.21,"意见":2.52,"意":4.6,"见":5.29,"有意见":6.21,"分歧":3.21,"分":3.9, "歧":5.29}
如果某个词不在字典中,我们将认为其 − l n [ P ( x ) ] −ln[P(x)] −ln[P(x)] 值为20。
我们构建以下的DAG(有向图),每一个边代表一个词,我们将
−
l
n
[
P
(
x
)
]
-ln[P(x)]
−ln[P(x)]的值标到边上,
求 − l n [ P ( x ) ] −ln[P(x)] −ln[P(x)] 的最小值问题,就转变为求最短路径的问题。
由图可以看出,路径 0—>②—>③—>⑤—>⑦ 所求的值最小,所以其就是最优结果:经常 / 有 / 意见 / 分歧
那么我们应该怎样快速计算出来这个结果呢?
逆向分析:
-
我们设 f ( n ) f(n) f(n) 代表从起点 0 0 0 到结点 n n n 的最短路径的值,所以我们想求的就是 f ( 7 ) f(7) f(7),从DAG图中可以看到,到结点⑦有2条路径:
- 从结点⑤—>结点⑦: f ( 7 ) = f ( 5 ) + 3.21 f(7)=f(5)+3.21 f(7)=f(5)+3.21
- 从结点⑥—>结点⑦: f ( 7 ) = f ( 6 ) + 5.29 f(7)=f(6)+5.29 f(7)=f(6)+5.29
-
我们应该从2条路径中选择路径短的。
-
在上面的第1条路径中, f ( 5 ) f(5) f(5) 还是未知的,我们要 f ( 5 ) f(5) f(5),同理我们发现到结点⑤的路径有3条路径:
- 从结点②—>结点⑤: f ( 5 ) = f ( 2 ) + 6.21 f(5)=f(2)+6.21 f(5)=f(2)+6.21
- 从结点③—>结点⑤: f ( 5 ) = f ( 3 ) + 2.52 f(5)=f(3)+2.52 f(5)=f(3)+2.52
- 从结点④—>结点⑤: f ( 5 ) = f ( 4 ) + 20 f(5)=f(4)+20 f(5)=f(4)+20
-
我们同样从3条路径中选择路径短的。以此类推,直到结点0,所有的路径值都可以算出来。
正向分析:和篱笆网络思想一致:每个节点( N o d e i Node_i Nodei)都只保留到达该节点 N o d e i Node_i Nodei 的所有路径中最短的那条路径(维特比算法:每个节点 N o d e i Node_i Nodei 都保留其来时最优路径):
- 到达
N
o
d
e
1
Node_1
Node1 的路径有1条:
- 0->①, s c o r e = 20 score=20 score=20,保留;
- 到达
N
o
d
e
2
Node_2
Node2 的路径有2条:
- ①->②, s c o r e = 20 + 20 = 40 score=20+20=40 score=20+20=40,删除;
- 0->②, s c o r e = 2.52 score=2.52 score=2.52,保留;
- 到达
N
o
d
e
3
Node_3
Node3 的路径有1条:
- ②->③, s c o r e = 2.52 + 3.21 = 5.73 score=2.52+3.21=5.73 score=2.52+3.21=5.73,保留;
- 到达
N
o
d
e
4
Node_4
Node4 的路径有1条:
- ③->④, s c o r e = 5.73 + 20 = 25.73 score=5.73+20=25.73 score=5.73+20=25.73,保留;
- 到达
N
o
d
e
5
Node_5
Node5 的路径有3条:
- ②->⑤, s c o r e = 2.52 + 6.21 = 8.73 score=2.52+6.21=8.73 score=2.52+6.21=8.73,删除;
- ③->⑤, s c o r e = 5.73 + 2.52 = 8.25 score=5.73+2.52=8.25 score=5.73+2.52=8.25,保留;
- ④->⑤, s c o r e = 25.73 + 20 = 45.73 score=25.73+20=45.73 score=25.73+20=45.73,删除;
- 到达
N
o
d
e
6
Node_6
Node6 的路径有1条:
- ⑤->⑥, s c o r e = 8.25 + 3.9 = 12.15 score=8.25+3.9=12.15 score=8.25+3.9=12.15,保留;
- 到达
N
o
d
e
7
Node_7
Node7 的路径有2条:
- ⑤->⑦, s c o r e = 8.25 + 3.21 = 11.46 score=8.25+3.21=11.46 score=8.25+3.21=11.46,保留;
- ⑥->⑦, s c o r e = 12.15 + 5.29 = 17.44 score=12.15+5.29=17.44 score=12.15+5.29=17.44,删除;
我们维护一个列表来表示 f ( n ) f(n) f(n) 的各值:
结点 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
---|---|---|---|---|---|---|---|
f(n) | 20 | 2.52 | 5.73 | 25.73 | 8.25 | 12.15 | 11.46 |
结点的上一个结点 | 0 | 0 | ② | ③ | ③ | ⑤ | ⑤ |
第2行代表从起点0到该结点的最短路径的值,第3行代表在最短路径中的该节点的上一个结点。
通过表,我们可以找到结点⑦的上一个结点⑤,结点⑤的上一个结点③,结点③的上一个结点②,结点②的上一个结点0,即路径:0—>②—>③—>⑤—>⑦
# -*- coding: utf-8 -*-
import math
import collections
# 维特比算法(viterbi)
def word_segmentation(text):
####################################################################################################################################################################
word_dictionaries = ["经常", "有", "意见", "意", "见", "有意见", "分歧", "分", "歧"]
probability = {"经常": 0.08, "有": 0.04, "意见": 0.08, "意": 0.01, "见": 0.005, "有意见": 0.002, "分歧": 0.04, "分": 0.02, "歧": 0.005}
probability_ln = {key: -math.log(probability[key]) for key in probability}
# probability_ln = {'经常': 2.5257286443082556, '有': 3.2188758248682006, '意见': 2.5257286443082556, '意': 4.605170185988091, '见': 5.298317366548036, '有意见': 6.214608098422191, '分歧': 3.2188758248682006, '分': 3.912023005428146, '歧': 5.298317366548036}
print("probability_ln = {0}".format(probability_ln))
# 构造图的代码并没有实现,以下只是手工建立的图【如果某个词不在字典中,我们将认为其 −ln[P(x)] 值为20。】,为了说明 维特比算法
####################################################################################################################################################################
# 有向五环图,存储的格式:key是结点名,value是一个结点的所有上一个结点(以及边上的权重)
graph = {
0: {0: (0, "")},
1: {0: (20, "经")},
2: {0: (2.52, "经常"), 1: (20, "常")},
3: {2: (3.21, "有")},
4: {3: (20, "意")},
5: {2: (6.21, "有意见"), 3: (2.52, "意见"), 4: (5.30, "见")},
6: {5: (3.9, "分")},
7: {5: (3.21, "分歧"), 6: (5.29, "歧")}
}
# =====================================================================利用“维特比算法”构建各个节点的最优路径:开始=====================================================================
print("#"*50, "利用“维特比算法”构建各个节点的最优路径:开始", "#"*50)
f = collections.OrderedDict() # 保存结点n的f(n)以及实现f(n)的上一个结点【f(n):代表从起点 0 到结点 n 的最短路径的值】
for key, value in graph.items(): # 遍历有向图graph中的所有节点
print("\nkey = {0}----value = {1}".format(key, value))
tuple_temp_list = []
for pre_node_key, pre_node_value in value.items(): # 遍历当前节点的所有上一个节点【pre_node_key:上一个节点的节点号,pre_node_value:本节点距离上一个节点的距离】
# print("本节点的节点号:key = {0}----上一个节点的节点号:pre_node_key = {1}----本节点距离上一个节点的距离:pre_node_value = {2}".format(key, pre_node_key, pre_node_value))
distance_from_0 = 0
if pre_node_key not in f: # 当遍历到0节点时,该节点的上一个结点还没有计算f(n);
distance_from_0 = pre_node_value[0] # 0节点的上一节点(依旧时0节点)的距离
else: # 当遍历到0节点之后的节点
distance_from_0 = pre_node_value[0] + f[pre_node_key][0] # pre_node_value[0]:当前节点距离上一节点的距离;f[pre_node_key][0]:当前节点的上一节点“pre_node_key”距离0节点的最短距离
print("本节点的节点号:key = {0}----本节点可触及的上一节点号:pre_node_key = {1}----本节点距离上一个节点“节点{1}”的距离:pre_node_value = {2}----上一节点“节点{1}”距离0节点的最短距离:f[pre_node_key][0] = {3}----本节点路径上一节点“节点{1}”距离0节点的距离:distance_from_0 = {4}".format(key, pre_node_key, pre_node_value, f[pre_node_key][0], distance_from_0))
tuple_temp = (distance_from_0, pre_node_key) # 【pre_node_value[0]:本节点距离0节点的最短距离;pre_node_key:本节点实现距离0节点距离最短时的上一个节点的节点号】
tuple_temp_list.append(tuple_temp)
min_temp = min(tuple_temp_list) # 比较比较当前节点路径所触及的所有上一节点到达0节点的距离,得出当前节点 key 距离0节点的最短距离
# min_temp = min((pre_node_value[0], pre_node_key) if pre_node_key not in f else (pre_node_value[0] + f[pre_node_key][0], pre_node_key) for pre_node_key, pre_node_value in value.items()) # 高阶写法
print("本节点的节点号:key = {0}----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = {1}----当前节点 key 距离0节点的最短距离:min_temp = {2}".format(key, tuple_temp_list, min_temp))
f[key] = min_temp
print("将当前节点{0}距离0节点的(最短距离,路径的节点号)= ({0},{1}) 加入f---->f = {2}".format(key, min_temp, f)) # f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3)), (6, (12.15, 5)), (7, (11.46, 5))])
print("#" * 50, "利用“维特比算法”构建各个节点的最优路径:结束", "#" * 50)
# =====================================================================利用“维特比算法”构建各个节点的最优路径:结束=====================================================================
# =====================================================================提取最优最优路径:开始=====================================================================
print("\n", "#" * 50, "提取最优路径:开始", "#" * 50)
last = next(reversed(f)) # 最后一个结点7
first = next(iter(f)) # 第一个结点0
path_result = [last, ] # 保存路径,最后一个结点先添入
pre_last = f[last] # 最后一个结点的所有前一个结点
print("最后一个结点7:last = {0}----第一个结点0:first = {1}----初始化最优路径:path_result = {2}----最后一个结点的所有前一个结点:pre_last = {3}".format(last, first, path_result, pre_last))
while pre_last[1] is not first: # 没到达第一个结点就一直循环,查找上一个节点的上一个节点号
path_result.append(pre_last[1]) # 加入一个路径结点X
pre_last = f[pre_last[1]] # 定位到路径结点X的上一个结点
path_result.append(first) # 第一个结点添入
print("最优路径:path_result = {0}".format(path_result)) # 结果:[7, 5, 3, 2, 0]
print("#" * 50, "提取最优路径:结束", "#" * 50)
# =====================================================================提取最优最优路径:结束=====================================================================
# =====================================================================通过最优路径得到分词结果:开始=====================================================================
print("\n", "#" * 50, "通过最优路径得到分词结果:开始", "#" * 50)
text_result = []
for index, num in enumerate(path_result): # 找到路径上边的词
if index + 1 == len(path_result):
break
word = graph[num][path_result[index + 1]][1]
print("最优路径:path_result = {0}----index = {1}----当前节点号:num = {2}----在最优路径里,当前节点号的上一个节点号:path_result[index + 1] = {3}----当前节点号{2}与上一节点号{3}之间的词汇:{4}".format(path_result, index, num, path_result[index + 1], word))
text_result.append(word)
print("text_result = {0}".format(text_result))
text_result.reverse() # 翻转一下
print("翻转后:text_result = {0}".format(text_result))
print("#" * 50, "通过最优路径得到分词结果:结束", "#" * 50)
return "".join(word + "/" for word in text_result)
# =====================================================================通过最优路径得到分词结果:结束=====================================================================
if __name__ == '__main__':
content = "经常有意见分歧"
word_segmentation_result = word_segmentation(content)
print("word_segmentation_result:", word_segmentation_result)
打印结果:
probability_ln = {'经常': 2.5257286443082556, '有': 3.2188758248682006, '意见': 2.5257286443082556, '意': 4.605170185988091, '见': 5.298317366548036, '有意见': 6.214608098422191, '分歧': 3.2188758248682006, '分': 3.912023005428146, '歧': 5.298317366548036}
################################################## 利用“维特比算法”构建各个节点的最优路径:开始 ##################################################
key = 0----value = {0: (0, '')}
本节点的节点号:key = 0----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(0, 0)]----当前节点 key 距离0节点的最短距离:min_temp = (0, 0)
将当前节点0距离0节点的(最短距离,路径的节点号)= (0,(0, 0)) 加入f---->f = OrderedDict([(0, (0, 0))])
key = 1----value = {0: (20, '经')}
本节点的节点号:key = 1----本节点可触及的上一节点号:pre_node_key = 0----本节点距离上一个节点“节点0”的距离:pre_node_value = (20, '经')----上一节点“节点0”距离0节点的最短距离:f[pre_node_key][0] = 0----本节点路径上一节点“节点0”距离0节点的距离:distance_from_0 = 20
本节点的节点号:key = 1----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(20, 0)]----当前节点 key 距离0节点的最短距离:min_temp = (20, 0)
将当前节点1距离0节点的(最短距离,路径的节点号)= (1,(20, 0)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0))])
key = 2----value = {0: (2.52, '经常'), 1: (20, '常')}
本节点的节点号:key = 2----本节点可触及的上一节点号:pre_node_key = 0----本节点距离上一个节点“节点0”的距离:pre_node_value = (2.52, '经常')----上一节点“节点0”距离0节点的最短距离:f[pre_node_key][0] = 0----本节点路径上一节点“节点0”距离0节点的距离:distance_from_0 = 2.52
本节点的节点号:key = 2----本节点可触及的上一节点号:pre_node_key = 1----本节点距离上一个节点“节点1”的距离:pre_node_value = (20, '常')----上一节点“节点1”距离0节点的最短距离:f[pre_node_key][0] = 20----本节点路径上一节点“节点1”距离0节点的距离:distance_from_0 = 40
本节点的节点号:key = 2----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(2.52, 0), (40, 1)]----当前节点 key 距离0节点的最短距离:min_temp = (2.52, 0)
将当前节点2距离0节点的(最短距离,路径的节点号)= (2,(2.52, 0)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0))])
key = 3----value = {2: (3.21, '有')}
本节点的节点号:key = 3----本节点可触及的上一节点号:pre_node_key = 2----本节点距离上一个节点“节点2”的距离:pre_node_value = (3.21, '有')----上一节点“节点2”距离0节点的最短距离:f[pre_node_key][0] = 2.52----本节点路径上一节点“节点2”距离0节点的距离:distance_from_0 = 5.73
本节点的节点号:key = 3----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(5.73, 2)]----当前节点 key 距离0节点的最短距离:min_temp = (5.73, 2)
将当前节点3距离0节点的(最短距离,路径的节点号)= (3,(5.73, 2)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2))])
key = 4----value = {3: (20, '意')}
本节点的节点号:key = 4----本节点可触及的上一节点号:pre_node_key = 3----本节点距离上一个节点“节点3”的距离:pre_node_value = (20, '意')----上一节点“节点3”距离0节点的最短距离:f[pre_node_key][0] = 5.73----本节点路径上一节点“节点3”距离0节点的距离:distance_from_0 = 25.73
本节点的节点号:key = 4----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(25.73, 3)]----当前节点 key 距离0节点的最短距离:min_temp = (25.73, 3)
将当前节点4距离0节点的(最短距离,路径的节点号)= (4,(25.73, 3)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3))])
key = 5----value = {2: (6.21, '有意见'), 3: (2.52, '意见'), 4: (5.3, '见')}
本节点的节点号:key = 5----本节点可触及的上一节点号:pre_node_key = 2----本节点距离上一个节点“节点2”的距离:pre_node_value = (6.21, '有意见')----上一节点“节点2”距离0节点的最短距离:f[pre_node_key][0] = 2.52----本节点路径上一节点“节点2”距离0节点的距离:distance_from_0 = 8.73
本节点的节点号:key = 5----本节点可触及的上一节点号:pre_node_key = 3----本节点距离上一个节点“节点3”的距离:pre_node_value = (2.52, '意见')----上一节点“节点3”距离0节点的最短距离:f[pre_node_key][0] = 5.73----本节点路径上一节点“节点3”距离0节点的距离:distance_from_0 = 8.25
本节点的节点号:key = 5----本节点可触及的上一节点号:pre_node_key = 4----本节点距离上一个节点“节点4”的距离:pre_node_value = (5.3, '见')----上一节点“节点4”距离0节点的最短距离:f[pre_node_key][0] = 25.73----本节点路径上一节点“节点4”距离0节点的距离:distance_from_0 = 31.03
本节点的节点号:key = 5----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(8.73, 2), (8.25, 3), (31.03, 4)]----当前节点 key 距离0节点的最短距离:min_temp = (8.25, 3)
将当前节点5距离0节点的(最短距离,路径的节点号)= (5,(8.25, 3)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3))])
key = 6----value = {5: (3.9, '分')}
本节点的节点号:key = 6----本节点可触及的上一节点号:pre_node_key = 5----本节点距离上一个节点“节点5”的距离:pre_node_value = (3.9, '分')----上一节点“节点5”距离0节点的最短距离:f[pre_node_key][0] = 8.25----本节点路径上一节点“节点5”距离0节点的距离:distance_from_0 = 12.15
本节点的节点号:key = 6----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(12.15, 5)]----当前节点 key 距离0节点的最短距离:min_temp = (12.15, 5)
将当前节点6距离0节点的(最短距离,路径的节点号)= (6,(12.15, 5)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3)), (6, (12.15, 5))])
key = 7----value = {5: (3.21, '分歧'), 6: (5.29, '歧')}
本节点的节点号:key = 7----本节点可触及的上一节点号:pre_node_key = 5----本节点距离上一个节点“节点5”的距离:pre_node_value = (3.21, '分歧')----上一节点“节点5”距离0节点的最短距离:f[pre_node_key][0] = 8.25----本节点路径上一节点“节点5”距离0节点的距离:distance_from_0 = 11.46
本节点的节点号:key = 7----本节点可触及的上一节点号:pre_node_key = 6----本节点距离上一个节点“节点6”的距离:pre_node_value = (5.29, '歧')----上一节点“节点6”距离0节点的最短距离:f[pre_node_key][0] = 12.15----本节点路径上一节点“节点6”距离0节点的距离:distance_from_0 = 17.44
本节点的节点号:key = 7----当前节点路径所触及的所有上一节点到达0节点的距离:tuple_temp_list = [(11.46, 5), (17.44, 6)]----当前节点 key 距离0节点的最短距离:min_temp = (11.46, 5)
将当前节点7距离0节点的(最短距离,路径的节点号)= (7,(11.46, 5)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3)), (6, (12.15, 5)), (7, (11.46, 5))])
################################################## 利用“维特比算法”构建各个节点的最优路径:结束 ##################################################
################################################## 提取最优路径:开始 ##################################################
最后一个结点7:last = 7----第一个结点0:first = 0----初始化最优路径:path_result = [7]----最后一个结点的所有前一个结点:pre_last = (11.46, 5)
最优路径:path_result = [7, 5, 3, 2, 0]
################################################## 提取最优路径:结束 ##################################################
################################################## 通过最优路径得到分词结果:开始 ##################################################
最优路径:path_result = [7, 5, 3, 2, 0]----index = 0----当前节点号:num = 7----在最优路径里,当前节点号的上一个节点号:path_result[index + 1] = 5----当前节点号7与上一节点号5之间的词汇:分歧
最优路径:path_result = [7, 5, 3, 2, 0]----index = 1----当前节点号:num = 5----在最优路径里,当前节点号的上一个节点号:path_result[index + 1] = 3----当前节点号5与上一节点号3之间的词汇:意见
最优路径:path_result = [7, 5, 3, 2, 0]----index = 2----当前节点号:num = 3----在最优路径里,当前节点号的上一个节点号:path_result[index + 1] = 2----当前节点号3与上一节点号2之间的词汇:有
最优路径:path_result = [7, 5, 3, 2, 0]----index = 3----当前节点号:num = 2----在最优路径里,当前节点号的上一个节点号:path_result[index + 1] = 0----当前节点号2与上一节点号0之间的词汇:经常
text_result = ['分歧', '意见', '有', '经常']
翻转后:text_result = ['经常', '有', '意见', '分歧']
################################################## 通过最优路径得到分词结果:结束 ##################################################
word_segmentation_result: 经常/有/意见/分歧/
Process finished with exit code 0