中文分词算法 之 基于词典的逆向最大匹配算法

中文分词算法 之 基于词典的逆向最大匹配算法

博客分类：

 
• 人工智能

中文分词逆向最大匹配基于词典 

在之前的博文中介绍了基于词典的正向最大匹配算法，用了不到50行代码就实现了，然后分析了词典查找算法的时空复杂性，最后使用前缀树来实现词典查找算法，并做了3次优化。

 

下面我们看看基于词典的逆向最大匹配算法的实现，如下代码所示：

 

public static List<String> segReverse(String text){
    Stack<String> result = new Stack<>();
    while(text.length()>0){
        int len=MAX_LENGTH;
        if(text.length()<len){
            len=text.length();
        }
        //取指定的最大长度的文本去词典里面匹配
        String tryWord = text.substring(text.length() - len);
        while(!DIC.contains(tryWord)){
            //如果长度为一且在词典中未找到匹配，则按长度为一切分
            if(tryWord.length()==1){
                break;
            }
            //如果匹配不到，则长度减一继续匹配
            tryWord=tryWord.substring(1);
        }
        result.push(tryWord);
        //从待分词文本中去除已经分词的文本
        text=text.substring(0, text.length()-tryWord.length());
    }
    int len=result.size();
    List<String> list = new ArrayList<>(len);
    for(int i=0;i<len;i++){
        list.add(result.pop());
    }
    return list;
}

 

 

算法跟正向相差不大，重点是使用Stack来存储分词结果，具体差异如下图所示：

 

下面看看正向和逆向的分词效果，使用如下代码：

 

public static void main(String[] args){
    List<String> sentences = new ArrayList<>();
    sentences.add("杨尚川是APDPlat应用级产品开发平台的作者");
    sentences.add("研究生命的起源");
    sentences.add("长春市长春节致辞");
    sentences.add("他从马上下来");
    sentences.add("乒乓球拍卖完了");
    sentences.add("咬死猎人的狗");
    sentences.add("大学生活象白纸");
    sentences.add("他有各种才能");
    sentences.add("有意见分歧");
    for(String sentence : sentences){
        System.out.println("正向最大匹配: "+seg(sentence));
        System.out.println("逆向最大匹配: "+segReverse(sentence));
    }
}

 

 

运行结果如下：

 

开始初始化词典
完成初始化词典，词数目：427452
最大分词长度：16
正向最大匹配: [杨尚川, 是, APDPlat, 应用, 级, 产品开发, 平台, 的, 作者]
逆向最大匹配: [杨尚川, 是, APDPlat, 应用, 级, 产品开发, 平台, 的, 作者]
正向最大匹配: [研究生, 命, 的, 起源]
逆向最大匹配: [研究, 生命, 的, 起源]
正向最大匹配: [长春市, 长春, 节, 致辞]
逆向最大匹配: [长春, 市长, 春节, 致辞]
正向最大匹配: [他, 从, 马上, 下来]
逆向最大匹配: [他, 从, 马上, 下来]
正向最大匹配: [乒乓球拍, 卖完, 了]
逆向最大匹配: [乒乓球拍, 卖完, 了]
正向最大匹配: [咬, 死, 猎人, 的, 狗]
逆向最大匹配: [咬, 死, 猎人, 的, 狗]
正向最大匹配: [大学生, 活象, 白纸]
逆向最大匹配: [大学生, 活象, 白纸]
正向最大匹配: [他, 有, 各种, 才能]
逆向最大匹配: [他, 有, 各种, 才能]
正向最大匹配: [有意, 见, 分歧]
逆向最大匹配: [有, 意见分歧]

 

 

参考资料：

1、中文分词十年回顾

2、中文信息处理中的分词问题

3、汉语自动分词词典机制的实验研究

4、由字构词_中文分词新方法

5、汉语自动分词研究评述

 

NUTCH/HADOOP视频教程