中文分词实验总结

汉语分词实验总结

1. 正向最大匹配实现（Forward Maximum Matching，FMM）

# !/usr/bin/python
# -*- coding: utf-8 -*-

def fmm(dictionary, sentence, max_len):
    segmentation = list()
    beg = 0
    for i in range(1, len(sentence) + 1):
        end = i
        word = sentence[beg:end]
        if word in dictionary or end - beg > max_len:
            segmentation.append(word)
            beg = i
    return segmentation

if __name__ == "__main__":
    dictionary = ["我", "吃"]
    sentence = "我吃苹果"
    print(fmm(dictionary, sentence, 1))

2. 逆向最大匹配实现（Backward Maximum Matching，BMM）

# !/usr/bin/python
# -*- coding: utf-8 -*-

def bmm(dictionary, sentence, max_len):
    segmentation = list()
    end = len(sentence)
    for i in range(len(sentence) - 1, -1, -1):
        beg = i
        word = sentence[beg:end]
        if word in dictionary or end - beg > max_len:
            segmentation.insert(0, word)
            end = i
    return segmentation

if __name__ == "__main__":
    dictionary = ["我", "吃"]
    sentence = "我吃苹果"
    print(bmm(dictionary, sentence, 1))

3. 算法评测标准

[准确率 = frac{正确识别的个体总数}{识别出的个体总数} \ 召回率 = frac{正确识别的个体总数}{测试集中存在的个体总数} ]

不妨举这样一个例子(^{[1]})：
某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。Seaeagle撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：

[正确率 = frac{700}{700 + 200 + 100} = 70\% \ 召回率 = frac{700}{1400} = 50\% \ F-measure = frac{70\% * 50\% * 2}{70\% + 50\%} = 58.3\% ]

不妨看看如果Seaeagle把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：

[正确率 = frac{1400}{1400 + 300 + 300} = 70\% \ 召回率 = frac{1400}{1400} = 100\% \ F-measure = frac{70\% * 100\% * 2 }{70\% + 100\%} = 82.35\% ]

由此可见，正确率是评估捕获的成果中目标成果所占得比例；
召回率，顾名思义，就是从关注领域中，召回目标类别的比例；
F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。

4. 中文分词评价标准

查准率 (Precision, P ): 测试结果中正确结果的个数占系统所有输出结果的比例。假设系统输出N 个，其中，正确的结果为n个，那么，

[P = frac{n}{N} ]

查全率 (Recall, R ): 测试结果中正确结果的个数占标准答案总数的比例。假设系统输出N 个结果,其中，正确的结果为n个，而标准答案的个数为M 个，那么，

[R = frac{n}{M} ]

F-1值 (F-Measure): 正确率与找回率的综合值。计算公式为：

[F1 = frac{2 imes P imes R}{P+R} ]

参考资料

[1] 正确率、召回率和F值, ChinaUnix博客， http://blog.chinaunix.net/uid-23028928-id-2567754.html