[发明专利]一种基于信息论的中文自动分词算法

权利要求书

1.一种基于信息论的中文自动分词算法，本发明涉及中文语义网络技术领域，具体涉及一种基于信息论的中文自动分词算法，其特征是，包括如下步骤：

步骤1：初始化训练模型，可以是《分词词典》或相关领域的语料库，或是两者结合模型

步骤2：根据《分词词典》找到待分词句子中与词典中匹配的词

步骤3：依据概率统计学，将待分词句子拆分为网状结构，即得n个可能组合的句子结构，把此结构每条顺序节点依次规定为

步骤4：基于信息论方法，给上述网状结构每条边赋予一定的权值

步骤5：找到权值最大的一条路径，即为待分词句子的分词结果

步骤6：验证此分词结果的准确率和召回率

准确率：

上式为《分词词典》识别待分词句子中字典词的个数，为此方法正确分词词的个数

召回率：

上式为待分词句子中词的总个数

最后综合考虑这两个因子，判定此系统分词结果的正确性

即

为一个很小的阈值，这个由专家给定，当d满足上述条件，则分词效果比较理想。

2.根据权利要求1中所述的一种基于信息论的中文自动分词算法，其特征是，以上所述步骤4中具体计算过程如下：

步骤4：基于信息论方法，给上述网状结构每条边赋予一定的权值，其具体计算过程如下：

根据《分词词典》匹配出的字典词与未匹配的单个词，第i条路径包含词的个数为，即n条路径词的个数集合为

得

在上述留下的剩下的(n-m)路径中，求解每条相邻路径的权重大小

在统计语料库中，计算每个词的信息量，再求解路径相邻词的共现信息量，既有下式：

上式为文本语料库中词的信息量，为含词文本信息量

上式为在文本语料库中的概率，n为含词的文本语料库的个数

上式为含词的文本数概率值，N为统计语料库中文本总数

同理

为在文本语料库中词的共现信息量，为相邻词共现的文本信息量

同理

上式为在文本语料库中词的共现概率，m为在文本库中词共现的文本数量

为文本库中相邻词共现的文本数概率

综上可得每条相邻路径的权值为

。

3.根据权利要求1中所述的一种基于信息论的中文自动分词算法，其特征是，以上所述步骤5中具体计算过程如下：

有n条路径，每条路径长度不一样，假设路径长度集合为

假设经过取路径中词的数量最少操作，排除了m条路径，m<n，即剩下(n-m)路径，设其路径长度集合为

则每条路径权重为:

上式分别为第1,2到路径边的权重值，根据步骤4可以一一计算得出， 为剩下(n-m)路径中第条路径的长度权值最大的一条路径:

。