Java实现的最大匹配分词算法详解

2019-11-26 11:22:40

字体：大中小

来源：转载

供稿：网友

本文实例讲述了Java实现的最大匹配分词算法。分享给大家供大家参考，具体如下：

全文检索有两个重要的过程：

1分词

2倒排索引

我们先看分词算法

目前对中文分词有两个方向，其中一个是利用概率的思想对文章分词。也就是如果两个字，一起出现的频率很高的话，我们可以假设这两个字是一个词。这里可以用一个公式衡量：M(A,B)=P(AB)/P(A)P(B)，其中 A表示一个字，B表示一个字，P(AB)表示AB相邻出现的概率，P(A)表示A在这篇文章中的频度，P(B)表示B在这篇文章中的频度。用概率分词的好处是不需要借助词典的帮助，坏处是算法比较麻烦，效率不高，也存在一定的出错率。

另外的一个方向是使用词典分词。就是事先为程序准备一个词典，然后通过这个词典对文章分词。目前较流行的方式有正向最大匹配算法和逆向最大匹配算法。逆向最大匹配算法在准确性上要更好一些。

以 “我是一个坏人” 为例，并最大词长为３，词库包含有　我、是、一、个、一个、坏人、大坏人

正向的顺序为

我是一
我是
我 ===> 得到一个词
是一个
是一
是 ===>得到一个词
一个坏
一个===> 得到一个词
坏人===>得到一个词

结果我、是、一个、坏人

反向算法

个坏人
坏人==> 坏人
是一个
一个==> 一个
我是
是==> 是
我==> 我

结果我、是、一个、坏人

java代码如下

package data;import java.util.Arrays;import java.util.HashSet;import java.util.Set;/** * 最大匹配分词算法 * * @author JYC506 * */public class SplitString { private Set<String> set = new HashSet<String>(); private int positiveOver = 0; private int reverseOver = 0; /**  * 正向最大匹配  *  * @param str 要分词的句子  * @param num 词的最大长度  * @return  */ public String[] positiveSplit(String str, int maxSize) {  int tem = 0;  int length = str.length();  String[] ss = new String[length];  char[] cc = str.toCharArray();  for (int i = 0; i < length; i++) {   positiveOver = 0;   String sb = this.toStr(cc, i, maxSize);   ss[tem++] = sb;   i = i + positiveOver;  }  String[] ss2 = new String[tem];  System.arraycopy(ss, 0, ss2, 0, tem);  return ss2; } /**  * 添加词库  *  * @param words  */ public void addWord(String[] words) {  for (String st : words) {   this.set.add(st);  } } /**  * 逆向最大匹配  *  * @param str  * @param num  * @return  */ public String[] reverseSplit(String str, int num) {  int tem = 0;  int length = str.length();  String[] ss = new String[length];  char[] cc = str.toCharArray();  for (int i = str.length() - 1; i > -1; i--) {   reverseOver = 0;   String sb = this.toStr2(cc, i, num);   tem++;   ss[--length] = sb;   i = i - reverseOver;  }  String[] ss2 = new String[tem];  System.arraycopy(ss, str.length() - tem, ss2, 0, tem);  return ss2; } private String toStr(char[] cs, int start, int num) {  int num2 = num;  out: for (int j = 0; j < num; j++) {   StringBuffer sb = new StringBuffer();   for (int i = 0; i < num2; i++) {    if (start + i < cs.length) {     sb.append(cs[start + i]);    } else {     num2--;     j--;     continue out;    }   }   if (set.contains(sb.toString())) {    positiveOver = num2 - 1;    return sb.toString();   }   num2--;  }  return String.valueOf(cs[start]); } private String toStr2(char[] cs, int start, int num) {  int num2 = num;  for (int j = 0; j < num; j++) {   StringBuffer sb = new StringBuffer();   for (int i = 0; i < num2; i++) {    int index = start - num2 + i + 1;    if (index > -1) {     sb.append(cs[index]);    } else {     num2--;    }   }   if (set.contains(sb.toString())) {    reverseOver = num2 - 1;    return sb.toString();   }   num2--;  }  return String.valueOf(cs[start]); } public static void main(String[] args) {  String[] words = new String[] { "我们", "我们五人", "五人一组", "一组" };  SplitString ss = new SplitString();  /*添加词到词库*/  ss.addWord(words);  String st = "我们五人一组";  System.out.println("武林网测试结果：");  System.out.println("要分词的句子：" + st);  /*使用两种方式分词，下面我指定最大词长度为4*/  String[] ss2 = ss.reverseSplit(st, 4);  String[] ss1 = ss.positiveSplit(st, 4);  System.out.println("正向最大匹配分词算法分词结果：" + Arrays.toString(ss1));  System.out.println("逆向最大匹配分词算法分词结果：" + Arrays.toString(ss2)); }}