一、什么是字典樹

在自然語言處理中，字符串集合常用字典樹存儲，這是一種字符串上的樹形數(shù)據(jù)結構。字典樹中每條邊都對應一個字，從根節(jié)點往下的路徑構成一個個字符串。

字典樹并不直接在節(jié)點上存儲字符串，而是將詞語視作根節(jié)點到某節(jié)點之間的一條路徑，并在終點節(jié)點上做個標記（表明到該節(jié)點就結束了）。

要查詢一個單詞，指需要順著這條路徑從根節(jié)點往下走。如果能走到標記的節(jié)點，則說明該字符串在集合中，否則說明不在。下圖為字典樹結構示例：

如上圖所示，每條路徑都是一個詞匯，且沒有子節(jié)點就可以判定該條路徑結尾了。具體可以映射為下標所示：

至于字典樹的實現(xiàn)，相信只要認真學過數(shù)據(jù)結構的讀者，都能手到擒來，這里不在贅述。因為HanLP庫已經(jīng)提供了多種字典樹。

二、DoubleArrayTrieSegment

認識DoubleArrayTrieSegment類之前，我們需要了解雙數(shù)組字典書的概念。

我們都知道，在樹中遍歷查找之時，我們一般用二分查找，假如某一個樹的節(jié)點有N個節(jié)點，那么其復雜度就為O(logN)，這樣查找起來一條一條樹的遍歷會非常的慢，所以就誕生了雙數(shù)組字典樹的概念。

雙數(shù)組字典樹（DAT）是一種狀態(tài)轉移復雜度為常數(shù)的數(shù)據(jù)結構。那么什么是狀態(tài)呢？從確定有限狀態(tài)自動機（DFA）的角度來講，每個節(jié)點都是一個狀態(tài)，狀態(tài)表示當前已查詢到的前綴。

從父節(jié)點到子節(jié)點的移動過程可以看作一次狀態(tài)轉移。在按照某個字符進行狀態(tài)轉移前，我們會向父節(jié)點詢問該字符與子節(jié)點的映射關系（也就是一條路徑一條邊）。如果父節(jié)點有滿足條件的邊，則狀態(tài)轉移到子節(jié)點；否則立即失敗，查詢不到。當成功完成了全部轉移時，我們就拿到了最后一個狀態(tài)，詢問該狀態(tài)是否時最終狀態(tài)。如果是，就查詢到該詞匯，否則該單詞不存在于字典中。

比如我們查詢首圖的“北京大學”，狀態(tài)開始為0，查詢到北時狀態(tài)為3，查詢到京時狀態(tài)為4，查詢到大時狀態(tài)為6，查詢到學時狀態(tài)為7，最后判斷7是否還有子節(jié)點，如果沒有匹配該詞匯，如果有該詞匯不在字典中。比如查詢“北京大”就不在詞匯中。

而雙數(shù)組字典由base與check兩個數(shù)組組成，其中base數(shù)組即節(jié)點，也是狀態(tài)，分為空閑狀態(tài)與占用狀態(tài)，check數(shù)組為每個元素表示某個狀態(tài)的前驅狀態(tài)。具體公式如下：

base[s] + c = t
check[t] =  s

base樹組中的s代表當前狀態(tài)的下標，t代表轉移狀態(tài)的下標，c代表輸入字符的數(shù)值

base[s] + c = t //表示一次狀態(tài)轉移

由于轉移后狀態(tài)下標為t，且父子關系是唯一的，所以可通過檢驗當前元素的前驅狀態(tài)確定轉移是否成功

check[t] = s //檢驗狀態(tài)轉移是否成功

這種算法相對于傳統(tǒng)的Trie樹二分查找的優(yōu)點是，只需要一個加法一次比較即可完成一次狀態(tài)轉移，只花費了常數(shù)時間，下面給出了雙數(shù)組Tree樹的原理圖（注意觀察狀態(tài)轉移的過程）

了解了雙數(shù)組字典樹的原理，我們就可以來學習DoubleArrayTrieSegment，DoubleArrayTrieSegment分詞器是對DAT（雙數(shù)組字典樹）最長匹配的封裝，默認加載hanlp.properites中CoreDictionaryPath指定的詞典。

對應的python代碼如下：

if __name__ == "__main__":
    HanLP.Config.ShowTermNature=False#分詞結果不顯示詞性
    segment=DoubleArrayTrieSegment()
    print(segment.seg("在來到這個世界之前，一起都很Happy"))

運行之后，得到如下圖所示的結果：

當然，這是HanLP提供給我們的默認詞典，如果想加載自己的詞典，或者前文提到的其他開源的詞典庫，可以替換代碼如下所示：

DoubleArrayTrieSegment(["詞典1"，"詞典2"])

但是不知道讀者注意到了沒有，上面的英文happy，它給我們拆成了單個的字母，但其實這是一個整體，如果這里替換成數(shù)字，也是一個一個數(shù)字，那么如何不讓其拆開呢？

我們來看一段代碼：

if __name__ == "__main__":
    HanLP.Config.ShowTermNature=True
    segment=DoubleArrayTrieSegment()
    segment.enablePartOfSpeechTagging(True)
    print(segment.seg("在來到這個世界之前，一起都很Happy"))

enablePartOfSpeechTagging函數(shù)的意思是激活數(shù)字與英文識別，同時我們把ShowTermNature改為True，觀察其輸出的結果：

這里與我們前面自己寫的算法輸出一模一樣，有分開的詞匯以及詞匯的標記屬性。

三、AhoCorasickDoubleArrayTrieSegment

雖然雙數(shù)組字典樹能遍歷大量的數(shù)據(jù)，但是如果數(shù)據(jù)比較長的，這些長的詞匯又比較多的話，比如“受命于天，既壽永昌”算一個詞匯，那么其處理起來時間復雜度依舊非常耗時。所以，我們就需要使用ACDAT進行遍歷。

這里博主不講解其原理，因為太長篇幅有限，感興趣的可以專門學習樹結構的處理。讀者只需要知道其原理，什么時候用雙數(shù)組遍歷，什么時候用ACDAT遍歷就行。而HanLP封裝的ACDAT的實現(xiàn)類是AhoCorasickDoubleArrayTrieSegment。

下面，我們來實現(xiàn)AhoCorasickDoubleArrayTrieSegment，代碼如下：

if __name__ == "__main__":
    HanLP.Config.ShowTermNature = False
    segment = JClass("com.hankcs.hanlp.seg.Other.AhoCorasickDoubleArrayTrieSegment")()
    print(segment.seg("在來到這個世界之前，一起都很井然有序"))

運行之后，效果如下：

需要注意的是，python的HanLP雖然提供了AhoCorasickDoubleArrayTrieSegment類，但是讀者可以試試，替換后運行會報錯，控制臺會提示該類沒有seg函數(shù)。而HanLP庫又是基于Java開發(fā)的，所以在實際的項目中，盡量使用JClass加載Java類進行實戰(zhàn)，因為python的HanLP庫運行速度比Java慢一倍，但python的好處是相對簡單，可以調用其他程序的類，所以速度這方面只要python引用Java類進行調用，其實速度一樣。

到此這篇關于python自然語言處理之字典樹知識總結的文章就介紹到這了,更多相關python字典樹內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論