自然语言处理之:c++中文分词(附源码)

本文介绍了c++实现的中文分词工具wordseg,它基于词典的有向无环图(DAG)算法和HMM模型。通过Trie树存储词典,结合HMM进行人名识别和补充分词。文章讨论了词典分词与HMM分词的异同,并指出中文分词的挑战在于未登录词处理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

githup地址https://github.com/jbymy
一、简介
中文分词是地然语言处理中的最基础的环节,到目前为止已经有不少优秀的分词工具的出现,如“中科院分词”,“结巴分词”等。个人认为在中文分词领域在算法层面上虽层出不穷,但归其根本仍然是大同小异,基于统计的分词算法在根本上并无太大差别,因此我写的这个分词算法在保证高准确性的情况下以实用性,灵活性为主打方向。

二、wordseg分词算法
借鉴结巴分词的思想,采用基于词典的有向无环图算法结合HMM隐马尔科夫模型分词。关于结巴分词已经有非常成熟的版本了,本分词工具中的基础词典也是结巴分词的词典加上自己整理的新词。wordseg分词工具基本思路如下:

  • 用TRIE树存储词典
    Trie树的详细描述详见维基百科,这里有一张百科截图
    Trie数示例
    上图显示的是英文词典的Trie树,中文词典构成Trie数也和上图类似,只不过每一个节点存储的是每个中文汉字的编码(在linux下一般是UTF-8编码,每一个汉字用一个INT型变量表示,具体的转码方式参见UTF-8编码)或者我代码中的func.cpp中的如下代码
    汉字转int16
    该函数实现的功能是将汉字字符串转为 int16 的 v
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值