基于Python的汉语分词系统

资源下载地址：https://download.csdn.net/download/sheziqiong/86776599
资源下载地址：https://download.csdn.net/download/sheziqiong/86776599
汉语分词系统
目录
汉语分词系统 1
摘要 1
1 绪论 1
2 相关信息 1
2.1 实验目标 1
2.2 编程语言与环境 2
2.3 项目目录说明 2
3 训练测试 3
4 词典构建 3
5 正反向最大匹配分词实现 3
5.1 正向最大匹配分词-最少代码量 3
5.2 反向最大匹配分词-最少代码量 4
6 正反向最大匹配分词效果分析 5
7 基于机械分词系统的速度优化 6
2.2编程语言与环境
Python 3.7.9 ，Windows11，VScode
2.3项目目录说明
目录中存在Code和io_files两个文件夹，Code文件夹中存放第一部分到第四部分实验代码，io_files文件夹中存放第一部分到第四部分实验产生文件和依赖文件。
io_files文件夹：
199801_sent.txt 为标准文本，是1998 年 1 月《人民日报》未分词语料，用于产生训练集和测试集
199801_seg&pos.txt 为标准文本，是1998 年 1 月《人民日报》的分词语料库，用于产生测试集对应的分词标准答案
dic.txt为自己形成的分词词典，存放根据训练集产生的词典
train.txt 为训练集，取分词语料库中 的数据作为训练集用于生成词典
std.txt 为标准答案， 取分词语料库中另外 的数据作为标准答案，与分词结果进行比对计算准确率、召回率和F 值
test.txt 为测试集，在未分词语料中取与标准答案相对应的 的数据作为测试集产生分词结果
seg_FMM.txt 为全文的分词结果，使用正向最大匹配分词，使用train.txt文件作为训练集，将199801_sent.txt文件进行分词
seg_BMM.txt为全文的分词结果，使用反向最大匹配分词，使用train.txt文件作为训练集，将199801_sent.txt文件进行分词
score.txt为第三部分生成的评测分词效果的文本，其中包括准确率(precision)、召回率(recall)和F 值
seg_FMM_1_10.txt 为测试集分词结果，使用正向最大匹配分词，使用train.txt文件作为训练集，将test.txt文件进行分词
seg_BMM_1_10.txt 为测试集分词结果，使用反向最大匹配分词，使用train.txt文件作为训练集，将test.txt文件进行分词
better_seg_FMM.txt 为测试集分词结果，使用优化后的正向最大匹配分词，使用train.txt文件作为训练集，将test.txt文件进行分词，计算分词时间与seg_FMM_1_10.txt分词时间进行比较
better_seg_BMM.txt 为测试集分词结果，使用优化后的反向最大匹配分词，使用train.txt文件作为训练集，将test.txt文件进行分词，计算分词时间与seg_BMM_1_10.txt分词时间进行比较
TimeCost.txt 为分词所用时间，存放优化前和优化后的分词时间
Code文件夹：
part_1.py 为实验第一步词典的构建代码，其中包括生成分词词典函数以及生成训练集、测试集和标准答案的函数
part_2.py 为实验第二步正反向最大匹配分词实现代码，其中包括读取词典内容函数、正向最大匹配分词函数和反向最大匹配分词函数
part_3.py 为实验第三步正反向最大匹配分词效果分析代码，其中包括计算评测得分函数，计算总词数和正确词数函数，计算准确率、召回率和f值函数以及获取词对应下标的函数
part_4.py 为实验第四步基于机械匹配的分词系统的速度优化代码，其中包括Trie树的实现以及其中添加字符串函数，查找字符串函数，在子节点中查找字符对应位置函数和返回哈希值函数，还有获得正向最大匹配的词典树函数，获得反向最大匹配的词典树函数，优化后正向最大匹配分词函数，优化后反向最大匹配分词函数，全文分割函数以及计算时间函数
训练测试
训练集、测试集和标准答案来源于199801_sent.txt 和199801_seg&pos.txt文本文件，训练集为199801_seg&pos.txt文件的 ，标准答案为剩下的 ，对199801_seg&pos.txt文件各行取模，若行数模10余0，则加入测试集，本文转载自http://www.biyezuopin.vip/onews.asp?id=16703剩余的加入标准答案。
在199801_sent.txt中取与标准答案对应行加入测试集。
词典构建
构建词典时，不将量词加入词典，可以减少词数，带来空间和时间上的优化，且词典中不存在重复词。
读取训练集内容，进行逐行提取，以词前的空格和词后的 ’ / ’ 字符提取词，若词前存在 ’ [ ’ 字符则去除该字符。
将提取出来的词加入列表，在训练集所有内容提取完毕后对列表进行排序。
将列表输出至词典文件生成词典，一行存储一个词便于后续读取。

DIC_FILE = '../io_files/dic.txt'
TRAIN_FILE = '../io_files/train.txt'
STD_FILE = '../io_files/std.txt'
TEST_FILE = '../io_files/test.txt'
K = 10 # 将标准分词文件的9/10作为训练集

'''
    3.1 词典的构建
    输入文件：199801_seg&pos.txt(1998 年 1 月《人民日报》的分词语料库) 、199801_sent.txt(1998 年 1 月《人民日报》语料，未分词)
    输出：dic.txt(自己形成的分词词典)、train.txt(训练集)、std.txt(标准答案)、test.txt(测试集)
'''


def gene_dic(train_path =TRAIN_FILE, dic_path = DIC_FILE):
    '''
        生成分词词典
        input: train.txt(训练集)
        output: dic.txt(分词词典)
    '''
    word_set = set()  # 词列表, 有序且不重复
    max_len = 0   # 最大词长
    with open(train_path, 'r') as train_file:  # 读取训练文本
        lines = train_file.readlines()
    with open(dic_path, 'w') as dic_file:  
        for line in lines:
            for word in line.split():
                if '/m' in word:  # 除去量词
                    continue
                word = word[1 if word[0] == '[' else 0 : word.index('/')]    #去除 '[' 符号, 取 '/'前的词
                if (len(word) > max_len): # 更新最大词长
                    max_len = len(word)
                word_set.add(word)  # 加入词典
        word_list = list(word_set)
        word_list.sort()  # 排序
        dic_file.write('\n'.join(word_list))  # 用 '\n' 连接成新字符串
    return word_list, max_len


def gene_train_std(seg_path ='../io_files/199801_seg&pos.txt', train_path = TRAIN_FILE, std_path = STD_FILE, k = K):
    '''
        按9:1生成训练集和测试集
        input: 199801_seg&pos.txt(分词语料库)
        output: train.txt(训练集), std.txt(标准答案), test.txt(测试集)
    '''
    with open(seg_path, 'r') as seg_file:
        seg_lines = seg_file.readlines()
    std_lines = [] # 标准分词答案
    with open(train_path, 'w') as train_file:
        for i, line in enumerate(seg_lines):
            if i % k != 0:
                train_file.write(line) # 模 k 不为 0 的行数加入训练集
            else:
                std_lines.append(line) # 模 k 为 0 的行数加入标准答案
    with open(std_path, 'w') as std_file:
        std_file.write(''.join(std_lines)) # 写入标准分词答案
    gene_test() # 生成测试集


def gene_test(sent_path = '../io_files/199801_sent.txt', test_path = TEST_FILE, k = K):
    '''
        生成测试集
        input: 199801_sent.txt(未分词语料)
        output: test.txt(测试集)
    '''
    with open(sent_path, 'r') as sent_file:
        sent_lines = sent_file.readlines()
    with open(test_path, 'w') as test_file:
        for i, line in enumerate(sent_lines):
            if i % k == 0:  
                test_file.write(line)  # 模 k 为 0 的行数加入测试集

if __name__ == '__main__':
    gene_train_std()
    gene_dic()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74

资源下载地址：https://download.csdn.net/download/sheziqiong/86776599
资源下载地址：https://download.csdn.net/download/sheziqiong/86776599