1链表应用分词.docx
《1链表应用分词.docx》由会员分享，可在线阅读，更多相关《1链表应用分词.docx（10页珍藏版）》请在冰点文库上搜索。
1链表应用分词
实验内容：
根据下面文章的知识，编写程序实现基于词典的分词中的正向最大匹配算法，实现分词。
严澜：
数据挖掘入门——分词
谷歌4亿英镑收购人工智能公司DeepMind，XX目前正推进“XX大脑”项目，腾讯、阿里等各大巨头也在积极布局深度学习。
随着社会化数据大量产生，硬件速度上升、成本降低，大数据技术的落地实现，让冷冰冰的数据具有智慧逐渐成为新的热点。
要从数据中发现有用的信息就要用到数据挖掘技术，不过买来的数据挖掘书籍一打开全是大量的数学公式，而课本知识早已还给老师了，着实难以下手、非常头大！
我们不妨先跳过数学公式，看看我们了解数据挖掘的目的——发现数据中价值。
这个才是关键，如何发现数据中的价值。
那什么是数据呢？
比如大家要上网首先需要输入网址，打开网页后会自动判断哪些是图片、哪些是新闻、哪些是用户名称、游戏图标等。
大脑可以存储大量的信息，包括文字、声音、视频、图片等，这些同样可以转换成数据存储在电脑。
人的大脑可以根据输入自动进行判断，电脑可以通过输入判断吗？
答案是肯定的！
不过需要我们编写程序来判断每一种信息，就拿文字识别来说吧，怎么从一个人在社交网络的言论判断他今天的心情是高兴还是愤怒！
比如：
“你假如上午没给我吃冰淇淋，我绝对会不happy的。
” 信息发布时间为下午2点。
对于我们人类一看这个句子就知道他是吃过冰淇淋了，心情肯定不会是愤怒。
那计算机怎么知道呢？
这就是今天的主题，要让计算机理解句子的语义，必须要有个程序，上面的句子和发布时间是输入，输出就是“高兴”。
要得到“高兴”就要建立“高兴”的规则，可以建一个感情色彩词库，比如高兴（识别词是高兴、happy），愤怒（识别词是愤怒、生气）。
这里的识别词就是输入中出现的词语，比如上面的句子中的“happy”就识别出了“高兴”这个感情色彩词。
但是光识别出“happy”肯定是不行的，前面的“假如……没……，我……不……”等关键词都需要识别出来，才能完整判断一个句子的意思。
为了达到这个效果，就必须要用分词技术了。
分词
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。
基于词典的分词
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”。
如下图演示了用正向最大匹配算法识别人民大会堂的过程，“真”，“雄伟”的识别类似。
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：
publicclassTestPositiveMatch{
publicstaticvoidmain（String[]args）{
Stringstr="我爱这个中华人民共和国大家庭";
ListnormalDict=newArrayList（）;
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"）;
intstrLen=str.length（）;//传入字符串的长度
intj=0;
StringmatchWord="";//根据词库里识别出来的词
intmatchPos=0;//根据词库里识别出来词后当前句子中的位置
while（jintmatchPosTmp=0;//截取字符串的位置
inti=1;
while（matchPosTmpmatchPosTmp=i+j;
StringkeyTmp=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：
publicclassTestSentimentPositiveMatch{
publicstaticvoidmain（String[]args）{
Stringstr="你假如上午没给我吃冰淇淋，我绝对会不happy的。
";
//语义映射
MapsentimentMap=newHashMap（）;
sentimentMap.put（"happy","高兴"）;
//情感词库
ListsentimentDict=newArrayList（）;
sentimentDict.add（"happy"）;
//修饰词
ListdecorativeDict=newArrayList（）;
decorativeDict.add（"不"）;
decorativeDict.add（"没"）;
//修饰词衡量分数
MapdecorativeScoreMap=newHashMap（）;
decorativeScoreMap.put（"不",-0.5）;
decorativeScoreMap.put（"没",-0.5）;
ListdecorativeWordList=newArrayList（）;//修饰词
StringsentimentResult="";//情感结果
intstrLen=str.length（）;//传入字符串的长度
intj=0;
StringmatchSentimentWord="";//根据词库里识别出来的情感词
StringmatchDecorativeWord="";//根据词库里识别出来的修饰词
intmatchPos=0;//根据词库里识别出来词后当前句子中的位置
while（jintmatchPosTmp=0;//截取字符串的位置
inti=1;
while（matchPosTmpmatchPosTmp=i+j;
StringkeyTmp=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="";
}
doubletotalScore=1;
for（StringdecorativeWord:
decorativeWordList）{
DoublescoreTmp=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存储海量的知识库？
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？
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"testaword"认识吗？
再看看开始那个单词“testaword”是不是就亲切多了？
升级会员 