基于信息熵原理分词这个概念很早了，用php实现了个，一气呵成，代码自然是，反正我也没有二次检查，呵呵。不过耗费内存是真的，真的很消耗内存！
写这个的好处就是我明白了很多东西...
代码如下
<?php
/**
* 基于信息熵的无词典分词
*/
class partword{
/**
* 词语最大长度
*/
public $maxwordlen = 5;
/**
* 需要进行分词的文字
*/
public $text;
/**
* 字符串长度
*/
private $len;
/**
* 切分的单个文字
*/
private $textarr;
/**
* 文字信息数组
*/
private $wordinfo;
/**
* 初始化文字，将文字进行分割
*/
public function initWords(){
$i = 0;
$len = strlen($this->text);
$strarr = array();
$word = '';//单词缓存
$en_write = False;
while( $i<$len ){
$ascnum = ord($this->text[$i]);
if( $ascnum >=224 ){ //高位大于244，utf8规定为3个字节
$zh_word = substr($this->text, $i, 3);
$en_write = True;
$i += 3;
}elseif( $ascnum >=192 ){ //高位大于192，utf8规定为2个字节
$zh_word = substr($this->text, $i, 2);
$i+=2;
$en_write = True;
}elseif( $ascnum <= 32 ){
//空字符,英文的空格
$en_write = True;
$i += 1;
}else{
$en_write = False;
$word .= substr($this->text, $i, 1);
$i += 1;
}
if( $en_write && $word != '' ){
$strarr[] = $word;
$word = '';
$en_write = False;
$this->len += 1;
}
if( $zh_word !='' ){
$strarr[] = $zh_word;
$zh_word = '';
$this->len += 1;
}
}
return $this->textarr = $strarr;
}
/**
* 发送文本
*/
public function sendText($text){
$this->text = $text;
$this->initWords();
$this->calInfo();
$this->calEntropy();
}
/**
* 整理词汇，用于后面的凝聚度和信息熵获取
*/
public function calInfo(){
//
if( !isset($this->textarr) ) die("no text");
$newarr = array();
$word = '';
$i = 0;
/*
遍历整个单个文字数组
将所设定的词组阈值之内的所有可能的词进行提取
l=> 左边文字的位置
r=> 右侧文字的位置
c=> 词频
*/
for ($i=0,$len = count($this->textarr); $i<$len; $i++) {
$word = '';
for( $wordlen = 0; $wordlen < $this->maxwordlen; $wordlen++ ){
if( !isset( $this->textarr[$i+$wordlen] ) ) continue;
$word .= $this->textarr[$i+$wordlen];
$newarr[$word]['w'] = $word; //左侧词
$newarr[$word]['l'][] = $i; //左侧词
$newarr[$word]['r'][] = $i+$wordlen; //右侧词
//统计词频
if( !isset($newarr[$word]['c']) ) $newarr[$word]['c'] = 1;
else $newarr[$word]['c'] += 1;
}
}
return $this->wordinfo = $newarr;
}
/**
* 计算信息熵
*/
public function calEntropy(){
foreach ($this->wordinfo as $key => $v) {
$left_entropy = 0;
$right_entropy = 0;
//求左邻字的信息熵,需要大于0才可以
$left_word = array();
//print_r($v);
foreach( $v['l'] as $l ){
if( $l >0 ){
if( !isset($left_word[ $this->textarr[$l-1] ]) )
$left_word[ $this->textarr[$l-1] ] = 1;
else
$left_word[ $this->textarr[$l-1] ] += 1;
}
}
foreach( $left_word as $word=>$num ){
$left_entropy += -($num/$v['c'])*log($num/$v['c']);
}
//求右邻字的信息熵,需要小于整个长度
$right_word = array();
foreach( $v['r'] as $r ){
if( $r < $this->len-1 ){
if( !isset($right_word[ $this->textarr[$r+1] ]) )
$right_word[ $this->textarr[$r+1] ] = 1;
else
$right_word[ $this->textarr[$r+1] ] += 1;
}
}
foreach( $right_word as $word=>$num ){
$right_entropy += -($num/$v['c'])*log($num/$v['c']);
}
//echo $key."--".$left_entropy."--".$right_entropy."\n";
//取坐信息熵和又信息熵里面最小的一个
$entropy = ($left_entropy < $right_entropy) ? $left_entropy : $right_entropy;
$this->wordinfo[$key]['entropy'] = $entropy;
unset($this->wordinfo[$key]['l']);
unset($this->wordinfo[$key]['r']);
}
unset($this->textarr);
return $this->wordinfo;
}
/**
* 对词进行排序,根据信息熵排序
*/
public function sortResult(){
usort($this->wordinfo, array(&$this,'sortByEntropy'));
return $this->wordinfo;
}
private function sortByEntropy($a,$b){
if( $a['entropy'] === $b['entropy'] ) return 0;
return ($a['entropy'] > $b['entropy']) ? -1: 1;
}
}
//应用
header("Content-type:text/html;charset=utf-8");
$smen = memory_get_usage();
$partword = new partword();
$text = "吃葡萄不吐葡萄皮不吃葡萄倒吐葡萄皮";
$partword->sendText($text);
print_r( $partword->sortResult() );
$emen = memory_get_usage();
echo (($emen - $smen)/1024) ."kb";
?>
你可能还喜欢下面这些文章
原标题： 互联网时代的社会语言学：基于SNS的文本数据挖掘今年上半年，我在人人网实习了一段时间，期间得到了很多宝贵的数据，并做了一些还算有意义的事情，在这里和大家一块儿分享。感谢人人网提供的数据与工作环境，感谢赵继承博士、詹卫东老师的支持和建议。在这项工作中，我得到了很多与众人交流的机会，特别感谢 OpenParty 、 TEDxBeijing 提供的平台。本文已发表在了《程序员》杂志，分上下两部分刊于 2012 年 7 月刊和 8 月刊，在此感谢卢鸫翔编辑的辛勤工作。由于众所周知的原因，《程序员》刊出的文章被和谐过（看到后面大家就自动地知道被和谐的内容是什么了），因而我决定把完整版发在 Bl
今年上半年，我在人人网实习了一段时间，期间得到了很多宝贵的数据，并做了一些还算有意义的事情，在这里和大家一块儿分享。感谢人人网提供的数据与工作环境，感谢赵继承博士、詹卫东老师的支持和建议。在这项工作中，我得到了很多与众人交流的机会，特别感谢 OpenParty 、 TEDxBeijing 提供的平台。本文已发表在了《程序员》杂志，分上下两部分刊于 2012 年 7 月刊和 8 月刊，在此感谢卢鸫翔编辑的辛勤工作。由于众所周知的原因，《程序员》刊出的文章被和谐过（看到后面大家就自动地知道被和谐的内容是什么了），因而我决定把完整版发在 Blog 上，同时与更多的人一同分享。对此感兴趣的朋友可以给我
最近开始研究股票了，自己一个一个的去看，几千支股票完全看不过来啊，想着自己写一个程序，让程序来看股票吧！股票接口首先我们需要得到所有的股票代码，好在已经有网页帮我们列出了所有的股票名称和代码，地址是：http://quote.eastmoney.com/stocklist.html通过这个页面，就可以抓取了。抓取之后我们就可以存入mysql中，每一个股票可以存一张表，而每一张表中则可以存入股票的动态数据。这里我们只能获取到一些最简单的数据，一些更加详细的数据还需要获取，这里需要使用一个腾讯财经的接口http://qt.gtimg.cn/q=sz000858该接口为获取五粮液的股票数据，返回结果
如果没有额外的设置，iterm2 使用 rzsz 的时候会卡在这个时候就需要使用iterm2提供的trigger来实现rzsz的功能。第一步：本机安装rzsz使用rzsz之前本地也需要安装如果没有安装brew，请先安装brew，mac必备的包管理器！第二步：创建发送和接收脚本发送文件的脚本如下，可以复制下面的内容，保存在 /usr/local/bin/iterm2-send-zmodem.sh中。接收文件的脚本如下，同样可以复制保存在/usr/local/bin/iterm2-recv-zmodem.sh第三步：设置Triggerteigger需要设置两个，一个实发送文件的trigger，一个
centos7系统初初始化工作以及网站环境搭建(php7+nginx+mysql)
拿到一台做网站的主机, 我们先要做一些环境初始化的工作, 由于这些工作会有些繁琐,因此记录一下. 后面将这些流程写成一个shell脚本,一次性完成.此次工作流程如下: 安全性设置 额外的目录创建 网站环境搭建安全性设置一般从某云上买的主机, 默认账户是root, 为了不被暴力破解, 我们首先需要设置一个强一点的密码,不过更好的方法是禁用root, 另外创建一个用户来作为日常管理的账户.第一步: 创建一个新的账户,并且能够切换到root权限比如我的用户名叫xiaobai, 添加用户名就是useradd xiaobai设置密码passwd xiaobai之后输入密码,一个新的账户就设定好了.
PHP转Go的程序员很多，使用Go重写Web应用，代价不高，并且所带来性能的提升很明显，因此很多PHP程序员正在转Go。PHP是一个弱类型，解释型的语言，Go是一个强类型，编译型语言，两者的差别很大。如果长期使用PHP，使用Go的时候，一些惯性思维会带来不太好的效果。这里总结一些从PHP转到Go需要注意的点。警惕内存越界访问一个数组，在php中，如果a是一个空数组，直接访问a会出现警告，但程序还能继续运行，而在Go中，由于访问一个不存在的地址，程序会直接崩溃。因此Go中需要时刻警惕内存越界。在访问数组下标的时候，如果不能确认需要访问数据一定存在，那么一定要使用len判断数组长度，需要访问的下标
bash 4.1.2 版本增加了map数据结构。map是一种常用的数据结构，通过map可以将key映射到一个value。使用方法map在使用之前需要先声明，声明的方式如下map需要先声明再使用。参数-A表示声明的变量是一个map。需要注意的是这里的A是大写的字母A。赋值操作map的赋值有两种方式，一种是直接给map赋值，如下：另一种是使用下标给map添加key-value对输出所有的key在文中最开始提到map的使用需要先声明，在没有声明的情况下此处会输出一个0，如下图：输出所有value输出map长度遍历，根据key找到对应的value遍历所有的key遍历所有的value问题FAQQ：为什么
在一个高并发，但是数据量不大的系统中，使用Redis做数据库再好不过，结合Swoole，只需要很少的机器就能抗住很大的量。Redis大多数的应用可能都是当做缓存，当作为一个数据库用的时候，就必须要考虑持久化的问题了。持久化的意思就是将内存中的数据写到磁盘中，当再次重启之后，数据可以从磁盘中进行恢复，不会丢失。Redis持久化有两个策略，一个是RDB快照，一个AOF日志，不管是什么策略，最终的目的都是将数据保存在磁盘上，并不高深。只需要耐心的看看这两种策略，就能明白了。RDB快照从名字上我们就能知道这是RedisDB的缩写了，Redis快照是这样生成的，到了需要生成快照的时候，通过fork当前进
布隆过滤器(bloom filter)介绍以及php和redis实现布隆过滤器实现方法
引言在介绍布隆过滤器之前我们首先引入几个场景。场景一在一个高并发的计数系统中，如果一个key没有计数，此时我们应该返回0。但是访问的key不存在，相当于每次访问缓存都不起作用了。那么如何避免频繁访问数量为0的key而导致的缓存被击穿？有人说， 将这个key的值置为0存入缓存不就行了吗？这是确实是一种解决方案。当访问一个不存在的key的时候，设置一个带有过期时间的标志，然后放入缓存。不过这样做的缺点也很明显：浪费内存和无法抵御随机key攻击。场景二在一个黑名单系统中，我们需要设置很多黑名单内容。比如一个邮件系统，我们需要设置黑名单用户，当判断垃圾邮件的时候，要怎么去做。比如爬虫系统，我们要记录下
强化twenty fifteen主题，twenty fifteen pro主题制作过程
被最新的twenty fifteen主题迷上了，这就是我心目中的样式！但有功能还是需要添加的，因此在twenty fifteen的主题基础上，增加了一些功能，命名为twenty fifteen pro主题，目前我所用的主题就是twenty fifteen pro主题。目前增加的功能有这些1.专辑文章将一些文章整个成专辑，比如之前胡超的sublime这个专辑，随便点进去一篇文章，左侧栏都会出现该专辑的系列文章，并且在后台还可以手动控制其排序。这样的好处就是能够将同类别，教程之类的文章聚合起来，更加利于阅读。2.页脚文字增加统计或者版权文字，备案号等等一些附加的信息可能是需要的，但很遗憾twent
赞赏
微信赞赏
支付宝赞赏
