python中文分词教程之前向最大正向匹配算法详解

前言

大家都知道，英文的分词由于单词间是以空格进行分隔的，所以分词要相对的容易些，而中文就不同了，中文中一个句子的分隔就是以字为单位的了，而所谓的正向最大匹配和逆向最大匹配便是一种分词匹配的方法，这里以词典匹配说明。

最大匹配算法是自然语言处理中的中文匹配算法中最基础的算法，分为正向和逆向，原理都是一样的。

正向最大匹配算法，故名思意，从左向右扫描寻找词的最大匹配。

首先我们可以规定一个词的最大长度，每次扫描的时候寻找当前开始的这个长度的词来和字典中的词匹配，如果没有找到，就缩短长度继续寻找，直到找到或者成为单字。

下面话不多说了，来一起看看详细的介绍吧。

实例：

S1="计算语言学课程是三个课时" ,设定最大词长MaxLen = 5 ,S2= " "

字典中含有三个词：[计算语言学]、[课程]、[课时]

    （1）S2=""；S1不为空，从S1左边取出候选子串W="计算语言学"；

    （2）查词表，“计算语言学”在词表中，将W加入到S2中，S2=“计算语言学/ ”， 并将W从S1中去掉，此时S1="课程是三个课时"；

    （3）S1不为空，于是从S1左边取出候选子串W="课程是三个"；

    （4）查词表，W不在词表中，将W最右边一个字去掉，得到W="课程是三"；

    （5）查词表，W不在词表中，将W最右边一个字去掉，得到W="课程是"；

    （6）查词表，W不在词表中，将W最右边一个字去掉，得到W="课程"

    （7）查词表，W在词表中，将W加入到S2中，S2=“计算语言学/ 课程/ ”，并 将W从S1中去掉，此时S1="是三个课时"；

    （8）S1不为空，于是从S1左边取出候选子串W="是三个课时"；

    （9）查词表，W不在词表中，将W最右边一个字去掉，得到W="是三个课"；

    （10）查词表，W不在词表中，将W最右边一个字去掉，得到W="是三个"；

    （11）查词表，W不在词表中，将W最右边一个字去掉，得到W="是三"

    （12）查词表，W不在词表中，将W最右边一个字去掉，得到W=“是”，这时 W是单字，将W加入到S2中，S2=“计算语言学/ 课程/ 是/ ”，并将 W从S1中去掉，此时S1="三个课时"；

    （13）S1不为空，从S1左边取出候选子串W="三个课时"；

    （14）查词表，W不在词表中，将W最右边一个字去掉，得到W="三个课"；

    （15）查词表，W不在词表中，将W最右边一个字去掉，得到W="三个"；

    （16）查词表，W不在词表中，将W最右边一个字去掉，得到W=“三”，这时 W是单字，将W加入到S2中，S2=“计算语言学/ 课程/ 是/ 三/ ”，并 将W从S1中去掉，此时S1="个课时"；