设为首页 收藏本站
查看: 595|回复: 0

[经验分享] python 中文分词——FMM 算法

[复制链接]

尚未签到

发表于 2017-4-30 13:33:49 | 显示全部楼层 |阅读模式
  FMM算法的最简单思想是使用贪心算法向前找n个,如果这n个组成的词在词典中出现,就ok,如果没有出现,那么找n-1个...然后继续下去。假如n个词在词典中出现,那么从n+1位置继续找下去,知道句子结束。
  import redef PreProcess(sentence,edcode="utf-8"):sentence = sentence.decode(edcode)sentence=re.sub(u"[。,,!……!《》<>\"'::?\?、\|“”‘’;]"," ",sentence)return sentencedef FMM(sentence,diction,result = [],maxwordLength = 4,edcode="utf-8"):i = 0sentence = PreProcess(sentence,edcode)length = len(sentence)while i < length:# find the ascii wordtempi=itok=sentence[i:i+1]while re.search("[0-9A-Za-z\-\+#@_\.]{1}",tok)<>None:i= i+1tok=sentence[i:i+1]if i-tempi>0:result.append(sentence[tempi:i].lower().encode(edcode))# find chinese wordleft = len(sentence[i:])if left == 1:"""go to 4 step over the FMM""""""should we add the last one? Yes, if not blank"""if sentence[i:] <> " ":result.append(sentence[i:].encode(edcode))return resultm = min(left,maxwordLength)for j in xrange(m,0,-1):leftword = sentence[i:j+i].encode(edcode)#   print leftword.decode(edcode)if LookUp(leftword,diction):# find the left word in dictionary# it's the right onei = j+iresult.append(leftword)breakelif j == 1:"""only one word, add into result, if not blank"""if leftword.decode(edcode) <> " ":result.append(leftword)i = i+1else:continuereturn resultdef LookUp(word,dictionary):if dictionary.has_key(word):return Truereturn Falsedef ConvertGBKtoUTF(sentence):return sentence.decode('gbk').encode('utf-8')
  测试代码:
  dictions = {}dictions["ab"] = 1dictions["cd"] = 2dictions["abc"] = 1dictions["ss"] = 1dictions[ConvertGBKtoUTF("好的")] = 1dictions[ConvertGBKtoUTF("真的")] = 1sentence = "asdfa好的是这样吗vasdiw呀真的daf dasfiw asid是吗?"s = FMM(ConvertGBKtoUTF(sentence),dictions)for i in s:print i.decode("utf-8")
  文本测试代码:
  test = open("test.txt","r")for line in test:s = FMM(CovertGBKtoUTF(line),dictions)for i in s:print i.decode("utf-8")

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-371254-1-1.html 上篇帖子: Dive Into Python 下篇帖子: python中文处理问题——分句
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表