76 lines
2.0 KiB
Go
76 lines
2.0 KiB
Go
package gse
|
|
|
|
// Text 字串类型，可以用来表达
|
|
// 1. 一个字元，比如 "中" 又如 "国", 英文的一个字元是一个词
|
|
// 2. 一个分词，比如 "中国" 又如 "人口"
|
|
// 3. 一段文字，比如 "中国有十三亿人口"
|
|
type Text []byte
|
|
|
|
// Token 一个分词
|
|
type Token struct {
|
|
// 分词的字串，这实际上是个字元数组
|
|
text []Text
|
|
|
|
// 分词在语料库中的词频
|
|
frequency int
|
|
|
|
// log2(总词频/该分词词频)，这相当于 log2(1/p(分词))，用作动态规划中
|
|
// 该分词的路径长度。求解 prod(p(分词)) 的最大值相当于求解
|
|
// sum(distance(分词)) 的最小值，这就是“最短路径”的来历。
|
|
distance float32
|
|
|
|
// 词性标注
|
|
pos string
|
|
|
|
// 该分词文本的进一步分词划分，见 Segments 函数注释。
|
|
segments []*Segment
|
|
}
|
|
|
|
// Text 返回分词文本
|
|
func (token *Token) Text() string {
|
|
return textSliceToString(token.text)
|
|
}
|
|
|
|
// Frequency 返回分词在语料库中的词频
|
|
func (token *Token) Frequency() int {
|
|
return token.frequency
|
|
}
|
|
|
|
// Pos 返回分词词性标注
|
|
func (token *Token) Pos() string {
|
|
return token.pos
|
|
}
|
|
|
|
// Segments 该分词文本的进一步分词划分，比如 "中华人民共和国中央人民政府" 这个分词
|
|
// 有两个子分词 "中华人民共和国 " 和 "中央人民政府"。子分词也可以进一步有子分词
|
|
// 形成一个树结构，遍历这个树就可以得到该分词的所有细致分词划分，这主要
|
|
// 用于搜索引擎对一段文本进行全文搜索。
|
|
func (token *Token) Segments() []*Segment {
|
|
return token.segments
|
|
}
|
|
|
|
// Equals compare str split tokens
|
|
func (token *Token) Equals(str string) bool {
|
|
tokenLen := 0
|
|
for _, t := range token.text {
|
|
tokenLen += len(t)
|
|
}
|
|
if tokenLen != len(str) {
|
|
return false
|
|
}
|
|
|
|
bytStr := []byte(str)
|
|
index := 0
|
|
for i := 0; i < len(token.text); i++ {
|
|
textArray := []byte(token.text[i])
|
|
for j := 0; j < len(textArray); j++ {
|
|
if textArray[j] != bytStr[index] {
|
|
index = index + 1
|
|
return false
|
|
}
|
|
index = index + 1
|
|
}
|
|
}
|
|
return true
|
|
}
|