Java实现的最大匹配分词算法详解

本文实例讲述了Java实现的最大匹配分词算法" title="分词算法">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("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));

}

}

以上是 Java实现的最大匹配分词算法详解 的全部内容, 来源链接: utcz.com/p/214467.html

回到顶部