分裂高棉语的可行解决方案？
我正在研究将高棉语（柬埔寨语）的长行分成单个单词（UTF-8）的解决方案。高棉语不会在单词之间使用空格。有一些解决方案，但它们远远不够（这里和这里），这些项目已经落伍了。
以下是需要拆分的高棉样本行（它们可能比这更长）：
ចូរសរសើរដល់ទ្រង់ទ្រង់បានប្រទានទាំងអស់នោះមកដល់រូបដោយព្រោះអង្គព្រះយេស៊ូវហើយដែលមិនអាចរកការទាំងអស់នោះដោយសារការប្រព្រឹត្តរបស់អ្នកឡើយឡើយ。
创建分裂高棉语的可行解决方案的目标有两个：它将鼓励那些使用高棉遗留（非Unicode）字体转换为Unicode（具有许多好处）的人，并且它将使遗留的高棉语字体能够被导入进入Unicode以快速使用拼写检查器（而不是手动浏览和分割单词，使用大文档，可能需要很长时间）。
我不需要100％的准确度，但速度很重要（特别是因为需要分成高棉语的行可能很长）。
我愿意接受建议，但目前我有一大堆高棉语单词正确分割（有一个不间断的空格），我创建了一个单词概率词典文件（frequency.csv）作为字典用于分词器。
我在这里发现这个使用Viterbi算法的python代码，它应该运行得很快。
import re
from itertools import groupby
def viterbi_segment(text):
probs, lasts = [1.0], [0]
for i in range(1, len(text) + 1):
prob_k, k = max((probs[j] * word_prob(text[j:i]), j)
for j in range(max(0, i - max_word_length), i))
probs.append(prob_k)
lasts.append(k)
words = []
i = len(text)
while 0 < i:
words.append(text[lasts[i]:i])
i = lasts[i]
words.reverse()
return words, probs[-1]
def word_prob(word): return dictionary.get(word, 0) / total
def words(text): return re.findall('[a-z]+', text.lower())
dictionary = dict((w, len(list(ws)))
for w, ws in groupby(sorted(words(open('big.txt').read()))))
max_word_length = max(map(len, dictionary))
total = float(sum(dictionary.values()))
WORD_FREQUENCIES = {
'file': 0.00123,
'files': 0.00124,
'save': 0.002,
'ave': 0.00001,
'as': 0.00555
}
def split_text(text, word_frequencies, cache):
if text in cache:
return cache[text]
if not text:
return 1, []
best_freq, best_split = 0, []
for i in xrange(1, len(text) + 1):
word, remainder = text[:i], text[i:]
freq = word_frequencies.get(word, None)
if freq:
remainder_freq, remainder = split_text(
remainder, word_frequencies, cache)
freq *= remainder_freq
if freq > best_freq:
best_freq = freq
best_split = [word] + remainder
cache[text] = (best_freq, best_split)
return cache[text]
print split_text('filesaveas', WORD_FREQUENCIES, {})
--> (1.3653e-08, ['file', 'save', 'as'])
没有找到相关结果
已邀请:
3 个回复
翰冒绢县
期差骇蓟
的python似乎递归整个输入字符串（），沿途将最佳结果填入;在每个潜在的单词中，它然后开始查看下一个单词（后面将依次查看单词，依此类推），如果第二个单词看起来不太好，则不会保存那个单词。感觉就像O（N！）运行时，其中N是输入字符串的长度。 超级聪明，但除了简单的任务外，可能很恐怖。你有多长的高棉词是什么？我希望＆lt; 20个字符。 也许如果您一次向该示例中输入20个字符的输入，您可以将运行时间保持在合理的范围内。输入前20个字符，取出第一个字，然后输入剩余的输入。如果您重新使用缓存，它可能会做一些愚蠢的事情，就像沿途存储部分单词一样。 在一个完全不同的方面，通过连接两个或更多合法的高棉语，形成了多少高棉语？ （类似于'小刀'或'篮球'）如果不是太多，创建一组字典，按字长分隔，从单词到使用概率的映射可能是有意义的。 比如说，最长的高棉语是14个字符长;输入14个字符的输入到字典，存储概率。将13个字符输入，存储概率。输入12个字符......一直到1进入。然后选择具有最高概率的解释，保存单词，剥去那么多字符，然后再试一次。 因此，对于像“我”和“图像”这样的输入，它不会失败，可能更长的输入应该有自动膨胀的概率？ 感谢有趣的问题;）我不知道这样的任何语言，非常酷。亲奋漏