中文分词之正向最大匹配法 逆向最大匹配法 双向最大匹配法
1.正向最大匹配法：
摘自link
分词算法设计中的几个基本原则：
1、颗粒度越大越好：用于进行语义分析的文本分词，要求分词结果的颗粒度越大，即单词的字数越多，所能表示的含义越确切，如：“*局长”可以分为“* 局长”、“*局 长”、“*局长”都算对，但是要用于语义分析，则“*局长”的分词结果最好（当然前提是所使用的词典中有这个词）
2、切分结果中非词典词越少越好，单字字典词数越少越好，这里的“非词典词”就是不包含在词典中的单字，而“单字字典词”指的是可以独立运用的单字，如“的”、“了”、“和”、“你”、“我”、“他”。例如：“技术和服务”，可以分为“技术 和服 务”以及“技术 和 服务”，但“务”字无法独立成词（即词典中没有），但“和”字可以单独成词（词典中要包含），因此“技术 和服 务”有1个非词典词，而“技术 和 服务”有0个非词典词，因此选用后者。
3、总体词数越少越好，在相同字数的情况下，总词数越少，说明语义单元越少，那么相对的单个语义单元的权重会越大，因此准确性会越高。
下面详细说说正向最大匹配法、逆向最大匹配法和双向最大匹配法具体是如何进行的：
先说说什么是最大匹配法：最大匹配是指以词典为依据，取词典中最长单词为第一个次取字数量的扫描串，在词典中进行扫描（为提升扫描效率，还可以跟据字数多少设计多个字典，然后根据字数分别从不同字典中进行扫描）。例如：词典中最长词为“*”共7个汉字，则最大匹配起始字数为7个汉字。然后逐字递减，在对应的词典中进行查找。
下面以“我们在野生动物园玩”详细说明一下这几种匹配方法：
1、正向最大匹配法：
正向即从前往后取词，从7->1，每次减一个字，直到词典命中或剩下1个单字。
第1次：“我们在野生动物”，扫描7字词典，无
第2次：“我们在野生动”，扫描6字词典，无
。。。。
第6次：“我们”，扫描2字词典，有
扫描中止，输出第1个词为“我们”，去除第1个词后开始第2轮扫描，即：
第2轮扫描：
第1次：“在野生动物园玩”，扫描7字词典，无
第2次：“在野生动物园”，扫描6字词典，无
。。。。
第6次：“在野”，扫描2字词典，有
扫描中止，输出第2个词为“在野”，去除第2个词后开始第3轮扫描，即：
第3轮扫描：
第1次：“生动物园玩”，扫描5字词典，无
第2次：“生动物园”，扫描4字词典，无
第3次：“生动物”，扫描3字词典，无
第4次：“生动”，扫描2字词典，有
扫描中止，输出第3个词为“生动”，第4轮扫描，即：
第4轮扫描：
第1次：“物园玩”，扫描3字词典，无
第2次：“物园”，扫描2字词典，无
第3次：“物”，扫描1字词典，无
扫描中止，输出第4个词为“物”，非字典词数加1，开始第5轮扫描，即：
第5轮扫描：
第1次：“园玩”，扫描2字词典，无
第2次：“园”，扫描1字词典，有
扫描中止，输出第5个词为“园”，单字字典词数加1，开始第6轮扫描，即：
第6轮扫描：
第1次：“玩”，扫描1字字典词，有
扫描中止，输出第6个词为“玩”，单字字典词数加1，整体扫描结束。
正向最大匹配法，最终切分结果为：“我们/在野/生动/物/园/玩”，其中，单字字典词为2，非词典词为1。
2、逆向最大匹配法：
逆向即从后往前取词，其他逻辑和正向相同。即：
第1轮扫描：“在野生动物园玩”
第1次：“在野生动物园玩”，扫描7字词典，无
第2次：“野生动物园玩”，扫描6字词典，无
。。。。
第7次：“玩”，扫描1字词典，有
扫描中止，输出“玩”，单字字典词加1，开始第2轮扫描
第2轮扫描：“们在野生动物园”
第1次：“们在野生动物园”，扫描7字词典，无
第2次：“在野生动物园”，扫描6字词典，无
第3次：“野生动物园”，扫描5字词典，有
扫描中止，输出“野生动物园”，开始第3轮扫描
第3轮扫描：“我们在”
第1次：“我们在”，扫描3字词典，无
第2次：“们在”，扫描2字词典，无
第3次：“在”，扫描1字词典，有
扫描中止，输出“在”，单字字典词加1，开始第4轮扫描
第4轮扫描：“我们”
第1次：“我们”，扫描2字词典，有
扫描中止，输出“我们”，整体扫描结束。
逆向最大匹配法，最终切分结果为：“我们/在/野生动物园/玩”，其中，单字字典词为2，非词典词为0。
3、双向最大匹配法：
正向最大匹配法和逆向最大匹配法，都有其局限性，我举得例子是正向最大匹配法局限性的例子，逆向也同样存在（如：长春药店，逆向切分为“长/春药店”），因此有人又提出了双向最大匹配法，双向最大匹配法。即，两种算法都切一遍，然后根据大颗粒度词越多越好，非词典词和单字词越少越好的原则，选取其中一种分词结果输出。
如：“我们在野生动物园玩”
正向最大匹配法，最终切分结果为：“我们/在野/生动/物/园/玩”，其中，两字词3个，单字字典词为2，非词典词为1。
逆向最大匹配法，最终切分结果为：“我们/在/野生动物园/玩”，其中，五字词1个，两字词1个，单字字典词为2，非词典词为0。
非字典词：正向(1)>逆向(0)（越少越好）
单字字典词：正向(2)=逆向(2)（越少越好）
总词数：正向(6)>逆向(4)（越少越好）
因此最终输出为逆向结果。
2.语言模型
2.1语言模型中unigram、bigram、trigram的概念；
摘自link
N-Gram是一种基于统计语言模型的算法。它的基本思想是将文本里面的内容按照字节进行大小为N的滑动窗口操作，形成了长度是N的字节片段序列。
每一个字节片段称为gram，对所有gram的出现频度进行统计，并且按照事先设定好的阈值进行过滤，形成关键gram列表，也就是这个文本的向量特征空间，列表中的每一种gram就是一个特征向量维度。
例子
比如我们现在使用单元Unigram、二元的Bi-gram和三元的Tri-gram模型来对进行特征提取。
我们的训练样本为：
1）我去了北京*
2）我是中国人
那么我们对每一个样本进行单元Unigram、二元的Bi-gram和三元的Tri-gram模型提取。
单元Unigram来说
对于：“我去了北京*”
抽取 我 去了 北京 *
对于：“我是中国人”
抽取 我 是 中国人
二元Bi-gram
对于：“我去了北京*”
抽取 我 去了/ 去了 北京/ 北京 */
对于：“我是中国人”
抽取 我 是 / 是 中国人/
三元Tri-gram
对于：“我去了北京*”
抽取 我 去了 北京/ 去了 北京 */
对于：“我是中国人”
抽取 我 是 中国人/
那么从上面可以得出，我们的特征向量包含我在训练数据中利用单元Unigram，二元Bi-gram，以及三元Tri-gram抽取出的不同特征，组成我的特征向量维度。
然后以后对应一句话，直接进行Unigram，Bi-gram，Tri-gram进行抽取特征，出现哪个特征，就统计它的频数，最后填在特征向量中即可。
比如上面的特征向量我列举一下顺序如：
我、是、中国人、去了、北京、*、我 是、是 中国人、我 去了、去了 北京、北京 *、我 去了 北京、去了 北京 *、 我 是 中国人、
抽取特征过程
那么对于一句话“我是中国人”进行N-gram特征抽取的方法是。
单元Unigram来说
对于：“我是中国人”
抽取 我 是 中国人
二元Bi-gram
对于：“我是中国人”
抽取 我 是 / 是 中国人/
三元Tri-gram
对于：“我是中国人”
抽取 我 是 中国人/
于是我们就在出现的词语维度赋值为1，其余没有出现过的特征赋值为0，相当于one-hot特征。得到特征向量如下：
[1,1,1,0,0,0,1,1,0,0,0,0,0,0,1]
得到的上面这个特征向量就是我们使用N-gram提取特征方法提取出来的特征。
总结
如果我们使用N-gram提取特征，使用unigram，bigram，trigram提取特征的情况，在词汇表大小为V的时候，特征向量维度长度为[V(unigram)+V2(bigram)+V3(trigram)]
词、字符频率统计
import pandas as pd
import numpy as np
import jieba
from collections import Counter
labels = []
contents = []
file_name = '.\cnews\cnews.train.txt'
with open(file_name,'r', encoding='utf-8', errors='ignore') as f:
for line in f:
try:
label,content = line.strip().split('\t')
if content:
contents.append(content)
labels.append(label)
except:
pass
# 结巴分词
jieba_contents = []
for content in contents:
jieba_contents.append(list(jieba.cut(content)))
# 将分词后的结果全部存到同一个列表中，用作统计词频
jieba_all_content = []
for content in jieba_contents:
jieba_all_content.extend(content)
# 将未分词前的结果全部存到同一个列表中，用作统计单字字频
all_content = []
for content in contents:
all_content.extend(content)
统计字、词频
from collections import Counter
count1 = Counter(all_content)
count2 = Counter(jieba_all_content)
unigram、bigram频率统计
unigram、bigram频率统计（分词后）
def _word_ngrams(tokens, stop_words=None,ngram_range=(1,1)):
"""Turn tokens into a sequence of n-grams after stop words filtering"""
# handle stop words
if stop_words is not None:
tokens = [w for w in tokens if w not in stop_words]
# handle token n-grams
min_n, max_n = ngram_range
if max_n != 1:
original_tokens = tokens
tokens = []
n_original_tokens = len(original_tokens)
for n in range(min_n,
min(max_n + 1, n_original_tokens + 1)):
for i in range(n_original_tokens - n + 1):
tokens.append(" ".join(original_tokens[i: i + n]))
return tokens
jieba_bigram = []
for con in contents:
listcut = list(jieba.cut(con))
n_gramWords = _word_ngrams(tokens = listcut,ngram_range=(2,2))
jieba_bigram.append(n_gramWords)
# 对bigram展开
bigram_content = []
for content in jieba_bigram:
bigram_content.extend(content)
jieba_unigram = []
for con in contents:
listcut = list(jieba.cut(con))
uni_gramWords = _word_ngrams(tokens = listcut,ngram_range=(1,1))
jieba_unigram.append(uni_gramWords)
# 对unigram展开
unigram_content = []
for content in jieba_unigram:
unigram_content.extend(content)
from collections import Counter
bi_count = Counter(bigram_content)
uni_count = Counter(unigram_content)
文本矩阵化：要求采用词袋模型且是词级别的矩阵化
# unigram、bigram频率统计（分词后）
def _word_ngrams(tokens, stop_words=None,ngram_range=(1,1)):
"""Turn tokens into a sequence of n-grams after stop words filtering"""
# handle stop words
if stop_words is not None:
tokens = [w for w in tokens if w not in stop_words]
# handle token n-grams
min_n, max_n = ngram_range
if max_n != 1:
original_tokens = tokens
tokens = []
n_original_tokens = len(original_tokens)
for n in range(min_n,
min(max_n + 1, n_original_tokens + 1)):
for i in range(n_original_tokens - n + 1):
tokens.append(" ".join(original_tokens[i: i + n]))
return tokens
jieba_bigram = []
for con in contents:
listcut = list(jieba.cut(con))
n_gramWords = _word_ngrams(tokens = listcut,ngram_range=(2,2))
jieba_bigram.append(n_gramWords)
# 对bigram展开
bigram_content = []
for content in jieba_bigram:
bigram_content.extend(content)
jieba_unigram = []
for con in contents:
listcut = list(jieba.cut(con))
uni_gramWords = _word_ngrams(tokens = listcut,ngram_range=(1,1))
jieba_unigram.append(uni_gramWords)
# 对unigram展开
unigram_content = []
for content in jieba_unigram:
unigram_content.extend(content)
from collections import Counter
bi_count = Counter(bigram_content)
uni_count = Counter(unigram_content)
文本矩阵化：要求采用词袋模型且是词级别的矩阵化
from sklearn.feature_extraction.text import CountVectorizer
cv = CountVectorizer(min_df=1, token_pattern='(?u)\\b\\w+\\b')
#分词后用Countvectorirzer
to_count_vector = []
for sen in jieba_contents:
sentence = ' '.join(sen)
to_count_vector.append(sentence)
# 生成文本矩阵
cv.fit_transform(to_count_vector)