实验报告-中文分词.doc

实验报告1 双向匹配中文分词 ? 小组信息 目录 摘要 --------------------------------------------------------------------------------------- 1 理论描述 --------------------------------------------------------------------------------- 1 算法描述 --------------------------------------------------------------------------------- 2 详例描述 --------------------------------------------------------------------------------- 3 软件演示 --------------------------------------------------------------------------------- 4 总结 --------------------------------------------------------------------------------------- 6 ? 摘要 这次实验的内容是中文分词，现有的分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。按照是否与词性标注过程相结合，又可以分为单纯分词方法和分词与标注相结合的一体化方法。 而我们用到的分词算法是基于字符串的分词方法（又称机械分词方法）中的正向最大匹配算法和逆向匹配算法。一般说来，逆向匹配的切分精度略高于正向匹配，遇到的歧义现象也较少。统计结果表明，单纯使用正向最大匹配的错误率为1/169，单纯使用逆向最大匹配的错误率为1/245。 ? 理论描述 中文分词指的是将一个汉字序列切分成一个一个单独的词。中文分词是文本挖掘的基础，对于输入的一段中文，成功的进行中文分词，可以达到电脑自动识别语句含义的效果。它是信息提取、信息检索、机器翻译、文本分类、自动文摘、语音识别、文本语音转换、自然语言理解等中文信息处理领域的基础。 双向最大匹配算法是两个算法的集合，主要包括:正向最大匹配算法和逆向最大匹配算法．如果两个算法得到相同的分词结果，那就认为是切分成功，否则，就出现了歧义现象或者是未登录词问题。 正向最大匹配算法：从左到右将待分词文本中的几个连续字符与词表匹配，如果匹配上，则切分出一个词。 逆向最大匹配算法：从右到左将待分词文本中的几个连续字符与词表匹配，如果匹配上，则切分出一个词。 ? 算法描述 本文实现双向匹配算法，具体算法描述如下： 正向最大匹配算法MM： //对纯中文句子s1的正向减字最大匹配分词 string CHzSeg::SegmentHzStrMM(CDict dict,string s1)const { string s2=;//保存句子s1的分词结果 while(!s1.empty()) { unsigned int len=s1.size(); //如果待切分的句子大于最大切分单元 //len=最大切分单元,否则len=句子的长度 if(lenMAX_WORD_LENGTH) len=MAX_WORD_LENGTH; //取s1句子最左边长度len为的子句子 string w=s1.substr(0,len); //判断刚刚取出来的子句子是不是一个词 bool isw=dict.IsWord(w); //当w中至少有一个中文字不能构成字的时候,减去最右边的一个中文字 while(len2isw==false) { ///减去最右边的一个中文字 len-=2; w=w.substr(0,len); //再次判断减字后的w是不是构成一个词 isw=dict.IsWord(w); } s2+=w+SEPARATOR; s1=s1.substr(w.size()); }//end while return s2; } 逆向最大匹配算法RMM： //对纯中文句子s1的逆向减字最大匹配分词 string CHzSeg::SegmentHzStrRMM(CDict dict,string s1)const { string s2=;//保存句子s1的分词结果 while(!s1.empty()) { unsigned int len=s1.size(); //如果待切分的句子大于最大切分单元 //len=最大切分单元,否则len=句子的长度 if(lenMAX_WORD_LENGTH) len=MAX_WORD_LEN