利用汉语切分和标注语料，尝试用 bi-gram 实现一个简单的汉语自动分词程序并给出代码。

好的，我可以向你展示一个简单的汉语自动分词程序，基于 bi-gram 模型。这个程序需要用到 Python，以及一个汉语语料库。

这里是代码：

import codecs

def load_corpus(filename):
    sentences = []
    with codecs.open(filename, 'r', 'utf-8') as f:
        for line in f:
            sentence = line.strip()
            sentences.append(sentence)
    return sentences

def build_ngram_model(sentences, n=2):
    models = []
    for i in range(n):
        models.append({})
    for sentence in sentences:
        words = sentence.split()
        for i in range(len(words) - n + 1):
            ngram = ''.join(words[i:i+n])
            if ngram not in models[n-1]:
                models[n-1][ngram] = 0
            models[n-1][ngram] += 1
    return models

def segment(text, models):
    result = []
    max_len = len(text)
    i = 0
    while i < max_len:
        matched = False
        for n in range(len(models), 0, -1):
            if i+n <= max_len:
                word = text[i:i+n]
                if word in models[n-1]:
                    result.append(word)
                    i += n
                    matched = True
                    break
        if not matched:
            result.append(text[i])
            i += 1
    return result

if __name__ == '__main__':
    corpus = load_corpus('corpus.txt')
    models = build_ngram_model(corpus)
    text = '利用汉语切分和标注语料'
    result = segment(text, models)
    print(result)

这个程序的流程如下：

1. 首先，我们从文件中读取语料库，得到一个句子的列表 `sentences`。
2. 我们使用 `build_ngram_model` 函数，将句子转化成 bi-gram 模型。这个函数构建了两个模型，一个是 bi-gram 模型，另一个是 tri-gram 模型（当 `n=3` 时）。
3. 接下来，我们使用 `segment` 函数来分词。这个函数接受一个文本串 `text` 和 bi-gram 模型，并返回词的列表 `result`。对于每一个词，我们在模型中查找匹配的最长 n-gram，然后将其作为一个词加入结果列表中。

注意，这个程序适用于简单的分词需求，但其分词结果可能并不准确。实现更高效、更准确的分词系统需要考虑更多的技术和算法。