中文信息处理.docx

甘肃政法学院本科生实验报告( 一 ）姓名: 学院:信息工程学院专业: 信息管理与信息系统班级: 2013级信息管理与信息系统实验课程名称: 中文信息处理原理实验日期:2015年4月9日开课时间：2014-2015学年 二学期甘肃政法学院实验管理中心印制实验题目自动分词小组合作否姓名班级2013级信息管理与信息系统学 号一、实验目的1. 了解中文分词意义2. 掌握中文分词的基本方法3. 掌握四种分词方法“词典正向最大匹配法、词典逆向最大匹配、基于确定文法的分词法、基于统计的分词方法”。二实验环境Win7 64位DEV-C+编译器三、 实验内容与步骤1、 词典正、逆向最大匹配法2、 词典正、逆向最小匹配法3、 邻近匹配4、 最短路径匹配词典逆向最大匹配法，基本思路是：1、 将词典的每个词条读入内存，最长是4字词，最短是1字词；2、 从语料中读入一段（一行）文字，保存为字符串；3、 如果字符串长度大于4个中文字符，则取字符串最右边的 4个中文字符，作为候选词；否则取出整个字符串作为候选词；4、 在词典中查找这个候选词，如果查找失败，则去掉这个候选词的最左字，重复这步进行查找，直到候选词为1个中文字符；5、 将候选词从字符串中取出、删除，回到第3步直到字符串为空；6、 回到第2步直到语料已读完。词典正向最大匹配法，基本思路是：1、 将词典的每个词条读入内存，最长是4字词，最短是1字词；2、 从语料中读入一段（一行）文字，保存为字符串；3、 如果字符串长度大于4个中文字符，则取字符串最左边的 4个中文字符，作为候选词；否则取出整个字符串作为候选词；4、 在词典中查找这个候选词，如果查找失败，则去掉这个候选词的最右字，重复这步进行查找，直到候选词为1个中文字符；5、 将候选词从字符串中取出、删除，回到第3步直到字符串为空；6、 回到第2步直到语料已读完。邻近匹配，基本思路是：1、 对于待切分的一段字符串C0 C1 C2Cn-1，根据C0 C1得到所有以C0 C1为首的词条集W，如果词条集为空，则将C0切分出来。2、 否则取满足maxk|C0C1CkW的字符串C0C1Ck切分出来。3、 然后将后面的剩余字符串Ck+1 Cn-1作为新的待切分字符串进行同样的处理，直到待切分串为空为止。四、实验过程与分析逆向最大匹配法源代码：#include #include #include #include #include #include #include #include #define MaxWordLength 12 / 最大词长字节（即4个汉字） #define Separator / 词界标记 #define UTF8_CN_LEN 3 / 汉字的UTF-8编码为3字节 using namespace std; using namespace _gnu_cxx; namespace _gnu_cxx templatestruct hash size_t operator()( conststd:string& x ) const return hash()( x.c_str() ); ; hash_mapwordhash; / 词典 /读入词典void get_dict(void) string strtmp; /读取词典的每一行 string word; /保存每个词 typedef pairsipair; ifstreaminfile(CoreDict.txt.utf8); if (!infile.is_open() cerr Unable to open input file: wordlexicon - bailing out! word; /读入每行第一个词 wordhash.insert(sipair(word, 1); /插入到哈希中 infile.close(); /删除语料库中已有的分词空格，由本程序重新分词 string del_space(string s1) int p1=0,p2=0; int count; string s2; while (p2 p1) s2 += s1.substr(p1,p2-p1); p2+; p1=p2; else p2+; s2 += s1.substr(p1,p2-p1); return s2; /用词典做逆向最大匹配法分词 string dict_segment(string s1) string s2 = ; /用s2存放分词结果 while (!s1.empty() intlen = (int) s1.length(); / 取输入串长度 if (lenMaxWordLength) / 如果输入串长度大于最大词长 len = MaxWordLength; / 只在最大词长范围内进行处理 string w = s1.substr(s1.length() - len, len); int n = (wordhash.find(w) != wordhash.end(); / 在词典中查找相应的词 while (len UTF8_CN_LEN & n = 0) / 如果不是词 len -= UTF8_CN_LEN; / 从候选词左边减掉一个汉字,将剩下的部分作为候选词 w = s1.substr(s1.length() - len, len); n = (wordhash.find(w) != wordhash.end(); w = w + Separator; s2 = w + s2; s1 = s1.substr(0, s1.length() - len); return s2; /中文分词，先分出数字 string cn_segment(string s1) /先分出数字和字母 string s2; int p1,p2; p1 = p2 = 0; while (p2 s1.length() while ( p2 = (s1.length()-UTF8_CN_LEN) & ( s1.substr(p2,UTF8_CN_LEN).at(0)9 )/不是数字或字母 p2 += UTF8_CN_LEN; s2 += dict_segment(s1.substr(p1,p2-p1);/之前的句子用词典分词 /将数字和字母分出来 p1 = p2; p2 += 3; while ( p2 =0&s1.substr(p2,UTF8_CN_LEN).at(0)=9 )/是数字或字母 p2 += UTF8_CN_LEN; p1 = p2; /end while return s2; /在执行中文分词前，过滤半角空格以及其他非UTF-8字符 string seg_analysis(string s1) string s2; string s3 = ; int p1 = 0; int p2 = 0; int count; while ( p2 4)&14) 14)/过滤非utf-8字符 count = 0; do p2+; count+; while(s1p24)&14) 14) & p2 s1.length(); s2 = s1.substr(p1,p2-count-p1);/数字前的串 s3 += cn_segment(s2) + s1.substr(p2-count,count) + Separator;/数字 if (p2 = s1.length()/这个等号,当数字是最后一个字符时！ s1 = s1.substr(p2,s1.length()-p2);/剩余串 p1 = p2 = 0; else p2 += UTF8_CN_LEN; if (p2 != 0) s3 += cn_segment(s1); return s3; ; int main(intargc, char* argv) ifstreaminfile(1998-01-qiefen-file.txt.utf8); / 打开输入文件 if (!infile.is_open() / 打开输入文件失败则退出程序 cerr Unable to open input file: argv1 - bailing out! endl; system(pause); exit(-1); ofstream outfile1(result.txt.utf8); /确定输出文件 if (!outfile1.is_open() cerr Unable to open file：SegmentResult.txt -bailing out! endl; system(pause); exit(-1); clock_t start, finish; double duration; start = clock(); get_dict(); finish = clock(); duration = (double)(finish - start) / CLOCKS_PER_SEC; cout 词典读入完毕，耗时 duration s endl; string strtmp; /用于保存从语料库中读入的每一行 string line; /用于输出每一行的结果 start = clock(); cout 正在分词并输出到文件，请稍候. endl; while (getline(infile, strtmp) /读入语料库中的每一行并用最大匹配法处理 line = del_space(strtmp); line = seg_analysis(line); / 调用分词函数进行分词处理 outfile1 line endl; / 将分词结果写入目标文件 finish = clock(); duration = (double)(finish - start) / CLOCKS_PER_SEC; cout 分词完毕，耗时 duration s endl; cout 分词结果保存在result.txt.utf8中。 endl; system(pause); return 0; 邻近匹配CStringCSeg:NM(CString s)CStrs words;/以w为首的词条集CString ret = ;while(!s.IsEmpty()words.clear();CString w;intlen = s.GetLength();if(len 4)w = s;elsew = s.Left(4);/取头两个字words = myDic.GetWords(w);/取得以w为首的词条集int max = 1,k;for(inti = 0 ; i max)/长度最长且完全匹配w = s.Left(k);m