中文分词算法工具hanlp源码解析

楼主^#

更多发布于：2019-03-13 13:21

[] 1


	词图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”这句话图片：图1.JPG 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)。图片：图2.JPG Hanlp核心词典：图片：图3.JPG 最短路径算法—viterbi（动态规划路径）图片：图4.JPG 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最短路径有向图图片：图5.JPG 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，他作者：亚当-adam