Java實現(xiàn)的最大匹配分詞算法詳解

更新時間：2017年09月19日 10:08:53 作者：送人玫瑰手留余香

這篇文章主要介紹了Java實現(xiàn)的最大匹配分詞算法,簡單說明了最大匹配分詞算法的原理并結(jié)合具體實例形式最大匹配分詞算法的實現(xiàn)方法與相關(guān)注意事項,需要的朋友可以參考下

本文實例講述了Java實現(xiàn)的最大匹配分詞算法。分享給大家供大家參考，具體如下：

全文檢索有兩個重要的過程：

1分詞

2倒排索引

我們先看分詞算法

目前對中文分詞有兩個方向，其中一個是利用概率的思想對文章分詞。也就是如果兩個字，一起出現(xiàn)的頻率很高的話，我們可以假設(shè)這兩個字是一個詞。這里可以用一個公式衡量：M(A,B)=P(AB)/P(A)P(B)，其中 A表示一個字，B表示一個字，P(AB)表示AB相鄰出現(xiàn)的概率，P(A)表示A在這篇文章中的頻度，P(B)表示B在這篇文章中的頻度。用概率分詞的好處是不需要借助詞典的幫助，壞處是算法比較麻煩，效率不高，也存在一定的出錯率。

另外的一個方向是使用詞典分詞。就是事先為程序準(zhǔn)備一個詞典，然后通過這個詞典對文章分詞。目前較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準(zhǔn)確性上要更好一些。

以 “我是一個壞人” 為例，并最大詞長為３，詞庫包含有　我、是、一、個、一個、壞人、大壞人

正向的順序為

我是一
我是
我 ===> 得到一個詞
是一個
是一
是 ===>得到一個詞
一個壞
一個===> 得到一個詞
壞人===>得到一個詞

結(jié)果我、是、一個、壞人

反向算法

個壞人
壞人==> 壞人
是一個
一個==> 一個
我是
是==> 是
我==> 我

結(jié)果我、是、一個、壞人

java代碼如下

package data;
import java.util.Arrays;
import java.util.HashSet;
import java.util.Set;
/**
 * 最大匹配分詞算法
 *
 * @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 要分詞的句子
  * @param num 詞的最大長度
  * @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;
 }
 /**
  * 添加詞庫
  *
  * @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[] { "我們", "我們五人", "五人一組", "一組" };
  SplitString ss = new SplitString();
  /*添加詞到詞庫*/
  ss.addWord(words);
  String st = "我們五人一組";
  System.out.println("腳本之家測試結(jié)果：");
  System.out.println("要分詞的句子：" + st);
  /*使用兩種方式分詞，下面我指定最大詞長度為4*/
  String[] ss2 = ss.reverseSplit(st, 4);
  String[] ss1 = ss.positiveSplit(st, 4);
  System.out.println("正向最大匹配分詞算法分詞結(jié)果：" + Arrays.toString(ss1));
  System.out.println("逆向最大匹配分詞算法分詞結(jié)果：" + Arrays.toString(ss2));
 }
}