ITPub博客

首页 > 数据库 > 国内数据库 > 解析hanlp源码中文分词算法

解析hanlp源码中文分词算法

国内数据库 作者:fageh2 时间:2018-11-07 18:16:14 0 删除 编辑

  解析 hanlp源码中文分词算法。词图指的是句子中所有词可能构成的图。如果一个词 A的下一个词可能是B的话,那么A和B之间具有一条路径E(A,B)。一个词可能有多个后续,同时也可能有多个前驱,它们构成的图我称作词图。

  需要稀疏 2维矩阵模型,以一个词的起始位置作为行,终止位置作为列,可以得到一个二维矩阵。例如:“他说的确实在理”这句话

  图词的存储方法: 一种是的 DynamicArray法,一种是快速offset法。Hanlp代码中采用的是第二种方法。

  1、DynamicArray(二维数组)法

  在词图中,行和列的关系: col为n 的列中所有词可以与row为n 的所有行中的词进行组合。例如“的确”这个词,它的col =5,需要和它计算平滑值的有两个,分别是row =5的两个词:“实”和“实在”。但是在遍历和插入的时候,需要一个个比较col和row的关系,复杂度是O(N)。

  2、快速offset

  一个一维数组,每个元素是一个单链表

  “的确”的行号是4,长度是2,4+2=6,于是第六行的两个词“实/实在”就是“的确”的后续。

  同时这种方法速度非常快,插入和查询的时间都是 O(1)。

  Hanlp核心词典:

  最短路径算法 —viterbi(动态规划路径)

  Frequency:核心词典中的词频

  nTwoWordsFreq:共现词频

  intMAX_FREQUENCY= 25146057

  double dTemp =(double) 1 / MAX_FREQUENCY +0.00001

  dSmoothingPara =0.1

  Viterbi最短路径有向图

  1、计算过程从上至下,根据计算出的权重值变更前驱结点,保证前驱结点唯一(动态规划路径)

  2、计算结束后,从最后一个结点开始取出term,依次取出该结点的前驱结点即可分词结果:理,在,确实,的,说,他


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31561139/viewspace-2219134/,如需转载,请注明出处,否则将追究法律责任。

上一篇: 当程序员遇到HR
请登录后发表评论 登录
全部评论

注册时间:2018-11-06

  • 博文量
    5
  • 访问量
    3312