用Python寫一個簡單的中文分詞器

pythontab發表於2013-03-28
Python中文分詞

解壓後取出以下檔案：

訓練資料：icwb2-data/training/pku_ training.utf8

測試資料：icwb2-data/testing/pku_ test.utf8

正確分詞結果：icwb2-data/gold/pku_ test_ gold.utf8

評分工具：icwb2-data/script/socre

2 演算法描述

演算法是最簡單的正向最大匹配(FMM)：

用訓練資料生成一個字典

對測試資料從左到右掃描，遇到一個最長的詞，就切分下來，直到句子結束

注：這是最初的演算法，這樣做程式碼可以控制在60行內，後來看測試結果發現沒有很好地處理數字問題， 才又增加了對數字的處理。

3 原始碼及註釋

#! /usr/bin/env python
# -*- coding: utf-8 -*-
  
# Author: minix
# Date:   2013-03-20

   
import codecs
import sys
   
# 由規則處理的一些特殊符號
numMath = [u'0', u'1', u'2', u'3', u'4', u'5', u'6', u'7', u'8', u'9']
numMath_suffix = [u'.', u'%', u'億', u'萬', u'千', u'百', u'十', u'個']
numCn = [u'一', u'二', u'三', u'四', u'五', u'六', u'七', u'八', u'九', u'〇', u'零']
numCn_suffix_date = [u'年', u'月', u'日']
numCn_suffix_unit = [u'億', u'萬', u'千', u'百', u'十', u'個']
special_char = [u'(', u')']
   
   
def proc_num_math(line, start):
    """ 處理句子中出現的數學符號 """
    oldstart = start
    while line[start] in numMath or line[start] in numMath_suffix:
        start = start + 1
    if line[start] in numCn_suffix_date:
        start = start + 1
    return start - oldstart
   
def proc_num_cn(line, start):
    """ 處理句子中出現的中文數字 """
    oldstart = start
    while line[start] in numCn or line[start] in numCn_suffix_unit:
        start = start + 1
    if line[start] in numCn_suffix_date:
        start = start + 1
    return start - oldstart
   
def rules(line, start):
    """ 處理特殊規則 """
    if line[start] in numMath:
        return proc_num_math(line, start)
    elif line[start] in numCn:
        return proc_num_cn(line, start)
   
def genDict(path):
    """ 獲取詞典 """
    f = codecs.open(path,'r','utf-8')
    contents = f.read()
    contents = contents.replace(u'\r', u'')
    contents = contents.replace(u'\n', u'')
    # 將檔案內容按空格分開
    mydict = contents.split(u' ')
    # 去除詞典List中的重複
    newdict = list(set(mydict))
    newdict.remove(u'')
   
    # 建立詞典
    # key為詞首字，value為以此字開始的詞構成的List
    truedict = {}
    for item in newdict:
        if len(item)>0 and item[0] in truedict:
            value = truedict[item[0]]
            value.append(item)
            truedict[item[0]] = value
        else:
            truedict[item[0]] = [item]
    return truedict
   
def print_unicode_list(uni_list):
    for item in uni_list:
        print item,
   
def divideWords(mydict, sentence):
    """ 
    根據詞典對句子進行分詞,
    使用正向匹配的演算法，從左到右掃描，遇到最長的詞，
    就將它切下來，直到句子被分割完閉
    """
    ruleChar = []
    ruleChar.extend(numCn)
    ruleChar.extend(numMath)
    result = []
    start = 0
    senlen = len(sentence)
    while start < senlen:
        curword = sentence[start]
        maxlen = 1
        # 首先檢視是否可以匹配特殊規則
        if curword in numCn or curword in numMath:
            maxlen = rules(sentence, start)
        # 尋找以當前字開頭的最長詞
        if curword in mydict:
            words = mydict[curword]
            for item in words:
                itemlen = len(item)
                if sentence[start:start+itemlen] == item and itemlen > maxlen:
                    maxlen = itemlen
        result.append(sentence[start:start+maxlen])
        start = start + maxlen
    return result
   
def main():
    args = sys.argv[1:]
    if len(args) < 3:
        print 'Usage: python dw.py dict_path test_path result_path'
        exit(-1)
    dict_path = args[0]
    test_path = args[1]
    result_path = args[2]
   
    dicts = genDict(dict_path)
    fr = codecs.open(test_path,'r','utf-8')
    test = fr.read()
    result = divideWords(dicts,test)
    fr.close()
    fw = codecs.open(result_path,'w','utf-8')
    for item in result:
        fw.write(item + ' ')
    fw.close()
   
if __name__ == "__main__":
    main()

4 測試及評分結果

使用 dw.py 訓練資料 測試資料， 生成結果檔案

使用 score 根據訓練資料，正確分詞結果，和我們生成的結果進行評分

使用 tail 檢視結果檔案最後幾行的總體評分，另外socre.utf8中還提供了大量的比較結果， 可以用於發現自己的分詞結果在哪兒做的不夠好

注：整個測試過程都在Ubuntu下完成

$ python dw.py pku_training.utf8 pku_test.utf8 pku_result.utf8

$ perl score pku_training.utf8 pku_test_gold.utf8 pku_result.utf8 > score.utf8

$ tail -22 score.utf8

INSERTIONS:     0

DELETIONS:      0

SUBSTITUTIONS:  0

NCHANGE:        0

NTRUTH: 27

NTEST:  27

TRUE WORDS RECALL:      1.000

TEST WORDS PRECISION:   1.000

=== SUMMARY:

=== TOTAL INSERTIONS:   4623

=== TOTAL DELETIONS:    1740

=== TOTAL SUBSTITUTIONS:        6650

=== TOTAL NCHANGE:      13013

=== TOTAL TRUE WORD COUNT:      104372

=== TOTAL TEST WORD COUNT:      107255

=== TOTAL TRUE WORDS RECALL:    0.920

=== TOTAL TEST WORDS PRECISION: 0.895

=== F MEASURE:  0.907

=== OOV Rate:   0.940

=== OOV Recall Rate:    0.917

=== IV Recall Rate:     0.966


基於詞典的FMM演算法是非常基礎的分詞演算法，效果沒那麼好，不過足夠簡單，也易於入手，隨著學習的深入，我可能還會用Python實現其它的分詞演算法。另外一個感受是，看書的時候儘量多去實現，這樣會讓你有足夠的熱情去關注理論的每一個細節，不會感到那麼枯燥無力。


相關文章