自然语言理解课程实验报告

1、实验一、中文分词一、实验内容用正向最大匹配法对文档进行中文分词，其中：（1）wordlist.txt 词表文件 （2）pku_test.txt 未经过分词的文档文件 （3）pku_test_gold.txt 经过分词的文档文件二、实验所采用的开发平台及语言工具 visual c+ 6.0三、实验的核心思想和算法描述本实验的核心思想为正向最大匹配法，其算法描述如下假设句子： ， 某一词 ，m 为词典中最长词的字数。(1) 令 i=0，当前指针 pi 指向输入字串的初始位置，执行下面的操作：(2) 计算当前指针 pi 到字串末端的字数（即未被切分字串的长度）n，如果n=1，转(4)，结束算法。否则

2、，令 m=词典中最长单词的字数，如果nm, 令 m=n；(3) 从当前 pi 起取m个汉字作为词 wi，判断： (a) 如果 wi 确实是词典中的词，则在wi 后添加一个切分标志，转(c)；(b) 如果 wi 不是词典中的词且 wi 的长度大于1，将wi 从右端去掉一个字，转(a)步；否则（wi 的长度等于1），则在wi 后添加一个切分标志，将wi 作为单字词添加到词典中，执行 (c)步； (c) 根据 wi 的长度修改指针 pi 的位置，如果 pi 指向字串末端，转(4)，否则， i=i+1，返回 (2)；(4) 输出切分结果，结束分词程序。四、系统主要模块流程、源代码（1） 正向最大匹配算

3、法 （2）原代码如下/ dictionary.h #include #include #include using namespace std; class cdictionary public: cdictionary(); /将词典文件读入并构造为一个哈希词典 cdictionary(); int findword(string w); /在哈希词典中查找词 private: string strtmp; /读取词典的每一行string word; /保存每个词string strword55400; ; /将词典文件读入并 cdictionary:cdictionary() ifstre

4、am infile(wordlist.txt); / 打开词典 if (!infile.is_open() / 打开词典失败则退出程序cerr unable to open input file: wordlist.txt - bailing out! endl; exit(-1);int i=0; while (getline(infile, strtmp) / 读入词典的每一行并将其添加入哈 希中 strwordi+=strtmp; infile.close(); cdictionary:cdictionary()/在哈希词典中查找词，若找到，则返回，否则返回 int cdictionar

5、y:findword(string w) int i=0;while (strwordi!=w) & (i55400)i+;if(i maxwordlength) / 如果输入串长度大于最大词长 len = maxwordlength; / 只在最大词长范围内进行处理 string w = s3.substr(0, len); /（正向用）将输入串左边等于最大词长长度串取出作为候选词int n = worddic.findword(w); / 在词典中查找相应的词while(len 1 & n = 0) / 如果不是词int j=len-1;while(j=0 & (unsigned char

6、)wj128)j-;if(j1)break; len -= 1; / 从候选词右边减掉一个英文字符，将剩下的部分作为候选词 w = w.substr(0, len); /正向用 n = worddic.findword(w); s2 += w + separator; / (正向用）将匹配得到的词连同词界标记加到输出串末尾 s3 = s1.substr(m=m+w.length(), s1.length(); /(正向用)从s1-w处开始return s2; int main(int argc, char *argv)string strtmp; /用于保存从语料库中读入的每一行string

7、line; /用于输出每一行的结果ifstream infile(pku_test.txt); / 打开输入文件if (!infile.is_open() / 打开输入文件失败则退出程序cerr unable to open input file: pku_test.txt - bailing out! endl; exit(-1);ofstream outfile1(segmentresult.txt); /确定输出文件if (!outfile1.is_open() cerr unable to open file：segmentresult.txt -bailing out! endl;

8、exit(-1); while (getline(infile, strtmp) /读入语料库中的每一行并用最大匹配法处理line = strtmp;line = segmentsentence(line); / 调用分词函数进行分词处理outfile1 line endl; / 将分词结果写入目标文件coutlineendl;infile.close();outfile1.close();return 0;五、实验结果及分析（1）、实验运行结果（2） 实验结果分析在基于字符串匹配的分词算法中,词典的设计往往对分词算法的效率有很大的影响。正向最大匹配分词算法是最基本的字符串匹配算法之一,它能够

9、保证将词典中存在的最长复合词切分出来。实验二：ictclas 汉语分词系统说明一、实验内容调用ictclas程序对其中的文档进行分词，并标注词性 （实验数据包含1个文件：pku_test.txt 未经过分词的文档文件）二、实验所采用的开发平台及语言工具visual c+ 6.0 ictclas 汉语分词系统/ 中科院计算所ictclas 5.0接口文档三、实验的核心思想和算法描述分词系统的主要是思想是先通过chmm(层叠形马尔可夫模型)进行分词,通过分层,既增加了分词的准确性,又保证了分词的效率.共分五层,如下图一所示:基本思路:先进行原子切分,然后在

10、此基础上进行n-最短路径粗切分,找出前n个最符合的切分结果,生成二元分词表,然后生成分词结果,接着进行词性标注ictclas程序软件使用：（1）. 在函数里加入对ictclas50.lib的引用#ifndef os_linux#include #pragma comment(lib, ictclas50.lib) /ictclas50.lib库加入到工程中#endif（2）.ictclas_api bool ictclas_fileprocess函数的调用ictclas_api bool ictclas_fileprocess(const char* pszsrcfilename, /文本文件

11、的读取const char* pszdstfilename, /目标文件的存放ecodetypesrccodetype=code_type_unknown, /类型boolbenablepos=false /true表示可以标注词性 );（3） . ictclas5.0接口文档中的示例四、系统源代码/*（1）. 在函数里加入对ictclas50.lib的引用*/#ifndef os_linux#include #pragma comment(lib, ictclas50.lib) /ictclas50.lib库加入到工程中#endif#include #include #include #in

12、clude #include #include ictclas50.h using namespace std;int main(int argc, char* argv)if(!ictclas_init() printf(init failsn);return -1;ictclas_fileprocess(pku_test.txt, test_result.txt,code_type_gb,true); /分别表示读取所需分次的文件、存放分词结果的文件、类型、标注词性printf(init okn); /分词结束后输出提示ictclas_exit();return 0;5、 实验结果及分析（

13、1）分词前分词后：（2）实验结果分析 ictclas是中科院计算所研发的中文分词软件，这个软件在第一届国际中文处理研究机构sighan组织的评测中都获得了多项第一名，是公认的当今最好的中文分词软件。综合性能：ictclas 2011分词速500kb/s左右，分词精度98.45%。ictclas分词系统是个nb的系统，效率奇高，比自己搞字典，分词算法效率高了很多倍，用起来也是非常简单的，但有一点不完美的是，该源代码没有配套的文档，阅读起来可能有一定的障碍，尤其是对c/c+不熟的人来说.实验三：基于语言模型的音字转换说明一 实验内容： 1、实验数据包含1个文件：pku_test_gold.txt经

14、过分词的文档文件 2、设计一个基于语言模型的音字转换给定拼音串：jinjitizhigaige可能的汉字串：紧济体质改革经济体质改革经济体制改革使用 2-gram计算：p(cstring1) =p(紧)p(济|紧)p(体质|济)p(改革|体质)p(cstring2) =p(经济)p(体质|经济)p(改革|体质)p(cstring3) =p(经济)p(体制|经济)p(改革|体制) 比较p(cstring1)，p(cstring2)，p(cstring3)二 实验所用的开发平台及语言工具visual c+ 6.03 实验的核心思想和算法描述 1.先分别统计出“紧”、“经”、“济”、“体”、“制”、

15、“质”、“改”、“革”这几个字出现的个数 2.再计算出各个字出现的概率 3.然后计算出在“紧”字出现概率下“济”字出现的条件概率乘上在“济”字出现是“体质”出现的条件概率以及“体质”出现时“改革”出现的条件概率的乘积，即为该句话出现的概率四系统主要模块流程、源代码#include #include #include using namespace std;string wstr210000;void main()int j=0,num=0;string str;/存放读入的词ifstream infile(pku_test_gold.txt); / 打开输入文件if (!infile.is_o

16、pen() / 打开输入文件失败则退出程序cerr unable to open input file: pku_test_gold.txt - bailing out! =128)wstrj+=str.substr(i,2);i+=2;coutwstrj-1 ;str=str.substr(i,str.length()-2);i=0;elsewstrj+=str.substr(i,1);i+;coutwstrj-1 ;str=str.substr(i,str.length()-1);i=0;num=j;cout总的词数numendl;int jin=0,ji=0,tizhi1=0,tizhi

17、2=0,jingji=0,jinji=0,jtzh1=0,tzh1gg=0,tzh2gg=0,jjtzh1=0,jjtzh2=0;inti=0;while(wstri.length()!=0)if(wstri=紧)jin+;/紧出现的次数加1if(wstri+1=济)jinji+;/紧济出现的次数加1elseif(wstri=济)ji+;/济出现的次数加1if(wstri+1=体)if(wstri+2=质)jtzh1+;/济体质出现的次数加1elseif(wstri=体)if(wstri+1=质)tizhi1+;/体质出现的次数加1if(wstri+2=改)if(wstri+3=革)tzh1g

18、g+;/体质改革出现次数加1elseif(wstri+1=制)tizhi2+;/体制出现的次数加1if(wstri+2=改)if(wstri+3=革)tzh2gg+;/体制改革出现的次数加1elseif(wstri=经)if(wstri+1=济)jingji+;/经济出现的次数加1if(wstri+2=体)if(wstri+3=质)jjtzh1+;/经济体质出现的次数加1elseif(wstri+3=制)jjtzh2+;/经济体质出现的次数加1i+;cout紧的出现次数=jinendl;cout紧济的出现次数jinjiendl;cout济的出现次数jiendl;cout济体质的出现数jtzh1

19、endl;cout体质的出现次数tizhi1endl;cout体质改革的出现次数tzh1ggendl;cout经济的出现次数jingjiendl;cout经济体质的出现次数jjtzh1endl;cout经济体制的出现次数jjtzh2endl;cout体制的出现次数tizhi2endl;cout体制改革的出现次数tzh2ggendl;if(jin!=0)&(jinji!=0)&(jtzh1!=0)&(tzh1gg!=0)coutp(cstring1) =p(紧)p(济|紧)p(体质|济)p(改革|体质)=jin/num*jinji/jin*jtzh1/ji*tzh1gg/tizhi1= (float)jin/num*jinji/