双向最大匹配算法——基于词典规则的中文分词(Java实现)_java分词

目录

前言

一、中文分词理论描述

二、算法描述

1、正向最大匹配算法

2、反向最大匹配算法

3、双剑合璧

三、案例描述

四、JAVA实现完整代码

五、组装UI

六、总结

---

前言

中文分词所需要的词典放在公众号，关注文章末尾的公众号，回复“字典”获取！

这篇将使用Java实现基于规则的中文分词算法，一个中文词典将实现准确率高达85%的分词结果。使用经典算法：正向最大匹配和反向最大匹配算法，然后双剑合璧，双向最大匹配。

一、中文分词理论描述

根据相关资料，中文分词概念的理论描述，我总结如下：

中文分词是将一个汉字序列切分成一个一个单独的词，将连续的字序列按照一定的规范重新组合成词序列的过程，把字与字连在一起的汉语句子分成若干个相互独立、完整、正确的单词，词是最小的、能独立活动的、有意义的语言成分。

中文分词应用广泛，是文本挖掘的基础，在中文文本处理中意义重大，对于输入的一段中文，成功的进行中文分词，可以达到电脑自动识别语句含义的效果。目前，常用流行的以及分次效果好的工具库包括：jieba、HanLP、LTP、FudanNLP等。

我们知道，调用工具方便容易，但是如果自己实现写一个算法实现，那不是更加有成就感^_^。

接下来将一步步介绍最容易理解，最简单，效果还很不错的中文分词算法，据说准确率能达到85%！！

二、算法描述

1、正向最大匹配算法

所谓正向，就是从文本串左边正向扫描，取出子串与词典进行匹配。

算法我分为两步来理解：

假设初始化取最大匹配长度为MaxLen，当前位置pos=0，处理结果result=””，每次取词str，取词长度len，待处理串segstr。

1. len=MaxLen，取字符串0到len的子串，查找词典，若匹配到则赋值str，加到result，在保证pos+len<=segstr.length()情况下，pos=pos+len,向后匹配，直到字符串扫描完成，结束算法。
2. 若词典未找到，若len>1,减小匹配长度同时len=MaxLen-1,执行步骤（1），否则，取出剩余子串,执行步骤（1）。

算法代码如下：

    public void MM(String str, int len, int frompos) {
        if (frompos + 1 > str.length())
            return;
        String curstr = "";
        //此处可以设置断点
        int llen = str.length() - frompos;
        if (llen <= len)//句末边界处理
            curstr = str.substring(frompos, frompos + llen);//substring获取的子串是下标frompos~frompos+llen-1
        else
            curstr = str.substring(frompos, frompos + len);
 
        if (dict.containsKey(curstr)) {
            result = result + curstr + "/ ";
            Len = MaxLen;
            indexpos = frompos + len;
            MM(str, Len, indexpos);
        } else {
            if (Len > 1) {
                Len = Len - 1;
            } else {
                result = result + str + "/ ";
                frompos = frompos + 1;
                Len = MaxLen;
            }
            MM(str, Len, frompos);
        }
    }

 从算法代码看出，很容易理解，细节部分在于边界处理。

测试一下，我输入文本，"我爱自然语言处理，赞赏评论收藏我的文章是我的动力！赶紧关注！"

分词结果：

2、反向最大匹配算法

反向，则与正向相反，从文本串末向左进行扫描。

假设初始化取最大匹配长度为MaxLen，当前位置pos为字符串尾部，处理结果result=””，每次取词str，取词长度len，待处理串segstr。

1. len=MaxLen，取字符串pos-len到pos的子串，查找词典，若匹配到则赋值str，加到result，同时pos=pos-len,保证pos-len>=0,向前移动匹配，直到字符串扫描完成，结束算法。
2. 若词典未找到，若len>1,减小匹配长度同时len=MaxLen-1,执行步骤（1），否则，取出剩余子串,执行步骤（1）。

算法逻辑类似，取相反方向处理。

public void RMM(String str, int len, int frompos) {
        if (frompos < 0)
            return;
        String curstr = "";
        //此处可以设置断点
        if (frompos - len + 1 >= 0)//句末边界处理
            curstr = str.substring(frompos - len + 1, frompos + 1);//substring获取的子串是下标frompos~frompos+llen-1
        else
            curstr = str.substring(0, frompos + 1);//到达句首
 
        if (dict.containsKey(curstr)) {
            RmmResult = curstr + "/ " + RmmResult;
            Len = MaxLen;
            indexpos = frompos - len;
            RMM(str, Len, indexpos);
        } else {
            if (Len > 1) {
                Len = Len - 1;
            } else {
                RmmResult = RmmResult + str + "/ ";
                frompos = frompos - 1;
                Len = MaxLen;
            }
            RMM(str, Len, frompos);
        }
    }

 同样，细节部分在于边界处理，其他基本相同。

3、双剑合璧

这里所说的是正向与反向结合，实现双向最大匹配。

双向最大匹配算法，基于正向、反向最大匹配，对分词结果进一步处理，比较两个结果，做的工作就是遵循某些原则和经验，筛选出两者中更确切地分词结果。原则如下：

• 多数情况下，反向最大匹配效果更好，若分词结果相同，则返回RMM结果；
• 遵循切分最少词原则，更大匹配词为更好地分词结果，比较之后返回最少词的切分结果；
• 根据切分后词长度的大小，选择词长度大者为最终结果。

具体也需要看开始给定的最大匹配长度为多少。以下代码只实现了原则（1）、（2）。

    public String BMM() throws IOException {
        String Mr = MM_Seg();
        String RMr = RMM_Seg();
        if (Mr.equals(RMr)) {
            return "双向匹配相同，结果为：" + Mr;
        } else {
            List<String> MStr;
            List<String> RStr;
            MStr = Arrays.asList(Mr.trim().split("/"));
            RStr = Arrays.asList(RMr.trim().split("/"));
 
            if (MStr.size() >= RStr.size()) {//多数情况下，反向匹配正确率更高
                return "双向匹配不同，最佳结果为：" + RMr;
            } else
                return "双向匹配不同，最佳结果为：" + Mr;
        }
    }

另外，这与使用的词典大小有关，是否包含常用词。

三、案例描述

如果上面还不能完全理解，下面的例子可以更好的理解算法执行过程。

正向最大匹配算法：

取MaxLen=3，SegStr=”对外经济技术合作与交流不断扩大”,maxNum=3,len=3,result=””,pos=0,curstr=””.

第一次，curstr=”对外经”，查找词典，未找到，将len-1，得到curstr=”对外”，此时匹配到词典，将结果加入result=”对外/ ”.pos=pos+len.

第二次，curstr=”经济技”，查找词典，未找到，将len-1，得到curstr=”经济”，此时匹配到词典，将结果加入result=”对外/ 经济/ ”.pos=pos+len.

以此类推...

最后一次，边界，pos=13，因为只剩下”扩大”两个字，所以取出全部，查找词典并匹配到，将结果加入result=”对外/ 经济/ 技术/ 合作/ 与/ 交流/ 不断/ 扩大/ ”.此时pos+1>SegStr.length(),结束算法。 

---

反向最大匹配算法：

取MaxLen=3，SegStr=”对外经济技术合作与交流不断扩大”,maxNum=3,len=3,result=””,pos=14,curstr=””.

第一次，curstr=”断扩大”，查找词典，未找到，将len-1，得到curstr=”扩大”，此时匹配到词典，将结果加入result=”扩大/ ”.pos=pos-len.

第二次，MaxLen=3，curstr=”流不断”，查找词典，未找到，将len-1，得到curstr=”不断”，此时匹配到词典，将结果加入result=”不断/ 扩大/ ”.pos=pos-len.

以此类推...

最后一次，边界，pos=1，因为只剩下”对外”两个字，所以取出全部，查找词典并匹配到，将结果加入result=”对外/ 经济/ 技术/ 合作/ 与/ 交流/ 不断/ 扩大/ ”.此时pos-1<0,结束算法。

四、JAVA实现完整代码

 除了分词算法实现，还需要读入词典，对词典进行预处理，具体

package ex1;
 
import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.*;
 
 
public class seg {
 
    String result;
    String RmmResult;
    String segstring;
    int MaxLen;
    int Len;
    int indexpos;
    Map<String, String> dict; 
 
    public seg(String inputstr, int maxlen) {//构造函数
        segstring = inputstr;
        MaxLen = maxlen;
        Len = MaxLen;
        indexpos = 0;
        result = "";
        RmmResult = "";
        dict = new HashMap<String, String>();
 
    }
 
    public void ReadDic() throws FileNotFoundException, IOException {
        BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream("chineseDic.txt"), "GBK"));
        String line = null;
        while ((line = br.readLine()) != null) {
            String[] words = line.trim().split(",");//词典包含词性标注，需要将词与标注分开，放入列表
            String word = words[0];
            String cx = words[1];
            dict.put(word, cx);
        }
        br.close();
    }
 
    public String MM_Seg() throws IOException {//正向最大匹配算法
        try {
            ReadDic();//读入字典
            MM(segstring, MaxLen, 0);//正向最大分词
            return result;
        } catch (IOException e) {
            return "Read Error!";
        }
    }
 
    public void MM(String str, int len, int frompos) {
        if (frompos + 1 > str.length())
            return;
        String curstr = "";
        //此处可以设置断点
        int llen = str.length() - frompos;
        if (llen <= len)//句末边界处理
            curstr = str.substring(frompos, frompos + llen);//substring获取的子串是下标frompos~frompos+llen-1
        else
            curstr = str.substring(frompos, frompos + len);
 
        if (dict.containsKey(curstr)) {
            result = result + curstr + "/ ";
            Len = MaxLen;
            indexpos = frompos + len;
            MM(str, Len, indexpos);
        } else {
            if (Len > 1) {
                Len = Len - 1;
            } else {
                result = result + str + "/ ";
                frompos = frompos + 1;
                Len = MaxLen;
            }
            MM(str, Len, frompos);
        }
    }
 
    public String RMM_Seg() throws IOException {//正向最大匹配算法
        try {
            ReadDic();//读入字典
            RMM(segstring, MaxLen, segstring.length() - 1);//正向最大分词
            return RmmResult;
        } catch (IOException e) {
            return "Read Error!";
        }
    }
 
    public void RMM(String str, int len, int frompos) {
        if (frompos < 0)
            return;
        String curstr = "";
        //此处可以设置断点
        if (frompos - len + 1 >= 0)//句末边界处理
            curstr = str.substring(frompos - len + 1, frompos + 1);//substring获取的子串是下标frompos~frompos+llen-1
        else
            curstr = str.substring(0, frompos + 1);//到达句首
 
        if (dict.containsKey(curstr)) {
            RmmResult = curstr + "/ " + RmmResult;
            Len = MaxLen;
            indexpos = frompos - len;
            RMM(str, Len, indexpos);
        } else {
            if (Len > 1) {
                Len = Len - 1;
            } else {
                RmmResult = RmmResult + str + "/ ";
                frompos = frompos - 1;
                Len = MaxLen;
            }
            RMM(str, Len, frompos);
        }
    }
 
    public String BMM() throws IOException {
        String Mr = MM_Seg();
        String RMr = RMM_Seg();
        if (Mr.equals(RMr)) {
            return "双向匹配相同，结果为：" + Mr;
        } else {
            List<String> MStr;
            List<String> RStr;
            MStr = Arrays.asList(Mr.trim().split("/"));
            RStr = Arrays.asList(RMr.trim().split("/"));
 
            if (MStr.size() >= RStr.size()) {//多数情况下，反向匹配正确率更高
                return "双向匹配不同，最佳结果为：" + RMr;
            } else
                return "双向匹配不同，最佳结果为：" + Mr;
        }
    }
 
    public String getResult() {
        return result;
    }
 
    public static void main(String[] args) throws IOException, Exception {
        seg s = new seg("我爱自然语言处理，赞赏评论收藏我的文章是我的动力！赶紧关注！", 3);
//        String result = s.MM_Seg();
        String result = s.RMM_Seg();
        System.out.println(result);
 
    }
}

五、组装UI

我是用的开发软件为是IDEA，一个方便之处可以拖动组件组装UI界面。也可以自行写JavaFX实现简单布局。

这是简单页面的设计：

UI界面可以有更好的用户体验，通过UI界面的元素调用方法，减少每次测试运行算法脚本的繁琐。

实验演示：

每次可以观察不同最大匹配长度分词后的结果。

"年中"词语解析：

在词典中，是这样的，可以发现满足最大匹配。

双向最大匹配算法，结果提示：

六、总结

这篇介绍了使用Java实现基于规则的中文分词算法，使用经典算法：正向最大匹配和反向最大匹配算法，然后双剑合璧，双向最大匹配。最后设计简单UI界面，实现稍微高效的中文分词处理，结果返回。

1. 双向最大匹配算法原则，希望句子最长词保留完整、最短词数量最少、单字词问题，目前只解决了句子切分最少词问题。
2. 正向反向匹配算法可以进一步优化结构，提高执行效率，目前平均耗时20ms。
3. UI界面增加输入输出提示语，方便用户使用，在正确的区域输入内容。
4. 将最大匹配长度设置为可输入，实现每次可以观察不同MaxLen得到的切分结果。

5. 双向最大匹配按钮点击之后，返回结果同时返回MM和RMM结果是否一样的提示，方便查看。

中文分词所需要的词典放在公众号，关注文章末尾的公众号，回复“字典”获取！

---

我的CSDN博客： 双向最大匹配算法——基于词典规则的中文分词(Java实现)_陆海潘江小C的博客-CSDN博客_双向匹配算法