如何解析hanlp源碼中文分詞算法

如何解析hanlp源碼中文分詞算法，很多新手對(duì)此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來(lái)學(xué)習(xí)下，希望你能有所收獲。

　　解析hanlp源碼中文分詞算法。詞圖指的是句子中所有詞可能構(gòu)成的圖。如果一個(gè)詞 A的下一個(gè)詞可能是B的話(huà)，那么A和B之間具有一條路徑E(A,B)。一個(gè)詞可能有多個(gè)后續(xù)，同時(shí)也可能有多個(gè)前驅(qū)，它們構(gòu)成的圖我稱(chēng)作詞圖。

　　需要稀疏 2維矩陣模型，以一個(gè)詞的起始位置作為行，終止位置作為列，可以得到一個(gè)二維矩陣。例如：“他說(shuō)的確實(shí)在理”這句話(huà)

　　圖詞的存儲(chǔ)方法： 一種是的 DynamicArray法，一種是快速offset法。Hanlp代碼中采用的是第二種方法。

　　1、DynamicArray(二維數(shù)組)法

　　在詞圖中，行和列的關(guān)系： col為n 的列中所有詞可以與row為n 的所有行中的詞進(jìn)行組合。例如“的確”這個(gè)詞，它的col =5，需要和它計(jì)算平滑值的有兩個(gè)，分別是row =5的兩個(gè)詞：“實(shí)”和“實(shí)在”。但是在遍歷和插入的時(shí)候，需要一個(gè)個(gè)比較col和row的關(guān)系，復(fù)雜度是O(N)。

　　2、快速offset

　　一個(gè)一維數(shù)組，每個(gè)元素是一個(gè)單鏈表

　　“的確”的行號(hào)是4,長(zhǎng)度是2,4+2=6，于是第六行的兩個(gè)詞“實(shí)/實(shí)在”就是“的確”的后續(xù)。

　　同時(shí)這種方法速度非?？?，插入和查詢(xún)的時(shí)間都是 O(1)。

　　Hanlp核心詞典：

　　最短路徑算法 —viterbi(動(dòng)態(tài)規(guī)劃路徑)

　　Frequency:核心詞典中的詞頻

　　nTwoWordsFreq:共現(xiàn)詞頻

　　intMAX_FREQUENCY= 25146057

　　double dTemp =(double) 1 / MAX_FREQUENCY +0.00001

　　dSmoothingPara =0.1

　　Viterbi最短路徑有向圖

　　1、計(jì)算過(guò)程從上至下，根據(jù)計(jì)算出的權(quán)重值變更前驅(qū)結(jié)點(diǎn)，保證前驅(qū)結(jié)點(diǎn)唯一(動(dòng)態(tài)規(guī)劃路徑)

　　2、計(jì)算結(jié)束后，從最后一個(gè)結(jié)點(diǎn)開(kāi)始取出term,依次取出該結(jié)點(diǎn)的前驅(qū)結(jié)點(diǎn)即可分詞結(jié)果：理，在，確實(shí)，的，說(shuō)，他

看完上述內(nèi)容是否對(duì)您有幫助呢？如果還想對(duì)相關(guān)知識(shí)有進(jìn)一步的了解或閱讀更多相關(guān)文章，請(qǐng)關(guān)注億速云行業(yè)資訊頻道，感謝您對(duì)億速云的支持。