python双向最大匹配算法_中文分词算法 之 基于词典的逆向最大匹配算法

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，实验表明，对于汉语来说，逆向最大匹配算法比(正向)最大匹配算法更有效，如下代码所示：

public static List segReverse(String text){

Stack result = new Stack<>();

while(text.length()>0){

int len=MAX_LENGTH;

if(text.length()

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 list = new ArrayList<>(len);

for(int i=0;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 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]

下面看看实际的分词性能如何，对输入文件进行分词，然后将分词结果保存到输出文件，输入文本文件从这里下载，解压后大小为69M，词典文件从这里下载，解压后大小为4.5M，项目源代码托管在GITHUB：

/**

* 将一个文件分词后保存到另一个文件

* @author 杨尚川

*/

public class SegFile {

public static void main(String[] args) throws Exception{

String input = "input.txt";

String output = "output.txt";

if(args.length == 2){

input = args[0];

output = args[1];

}

long start = System.currentTimeMillis();

segFile(input, output);

long cost = System.currentTimeMillis()-start;

System.out.println("cost time:"+cost+" ms");

}

public static void segFile(String input, String output) throws Exception{

float max=(float)Runtime.getRuntime().maxMemory()/1000000;

float total=(float)Runtime.getRuntime().totalMemory()/1000000;

float free=(float)Runtime.getRuntime().freeMemory()/1000000;

String pre="执行之前剩余内存:"+max+"-"+total+"+"+free+"="+(max-total+free);

try(BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(input),"utf-8"));

BufferedWriter writer = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output),"utf-8"))){

int textLength=0;

long start = System.currentTimeMillis();

String line = reader.readLine();

while(line != null){

textLength += line.length();

writer.write(WordSeg.seg(line).toString()+"\n");

line = reader.readLine();

}

long cost = System.currentTimeMillis() - start;

float rate = textLength/cost;

System.out.println("文本字符："+textLength);

System.out.println("分词耗时："+cost+" 毫秒");

System.out.println("分词速度："+rate+" 字符/毫秒");

}

max=(float)Runtime.getRuntime().maxMemory()/1000000;

total=(float)Runtime.getRuntime().totalMemory()/1000000;

free=(float)Runtime.getRuntime().freeMemory()/1000000;

String post="执行之后剩余内存:"+max+"-"+total+"+"+free+"="+(max-total+free);

System.out.println(pre);

System.out.println(post);

}

}

测试结果如下(对比TrieV3和HashSet的表现)：

开始初始化词典

dic.class=org.apdplat.word.dictionary.impl.TrieV3

dic.path=dic.txt

完成初始化词典，耗时695 毫秒，词数目：427452

词典最大词长：16

词长  0 的词数为：1

词长  1 的词数为：11581

词长  2 的词数为：146497

词长  3 的词数为：162776

词长  4 的词数为：90855

词长  5 的词数为：6132

词长  6 的词数为：3744

词长  7 的词数为：2206

词长  8 的词数为：1321

词长  9 的词数为：797

词长 10 的词数为：632

词长 11 的词数为：312

词长 12 的词数为：282

词长 13 的词数为：124

词长 14 的词数为：116

词长 15 的词数为：51

词长 16 的词数为：25

词典平均词长：2.94809

字符数目：24960301

分词耗时：64014 毫秒

分词速度：389.0 字符/毫秒

执行之前剩余内存:2423.3901-61.14509+60.505272=2422.7505

执行之后剩余内存:2423.3901-961.08545+203.32925=1665.6339

cost time:64029 ms

开始初始化词典

dic.class=org.apdplat.word.dictionary.impl.HashSet

dic.path=dic.txt

完成初始化词典，耗时293 毫秒，词数目：427452

词典最大词长：16

词长  0 的词数为：1

词长  1 的词数为：11581

词长  2 的词数为：146497

词长  3 的词数为：162776

词长  4 的词数为：90855

词长  5 的词数为：6132

词长  6 的词数为：3744

词长  7 的词数为：2206

词长  8 的词数为：1321

词长  9 的词数为：797

词长 10 的词数为：632

词长 11 的词数为：312

词长 12 的词数为：282

词长 13 的词数为：124

词长 14 的词数为：116

词长 15 的词数为：51

词长 16 的词数为：25

词典平均词长：2.94809

字符数目：24960301

分词耗时：77254 毫秒

分词速度：323.0 字符/毫秒

执行之前剩余内存:2423.3901-61.14509+60.505295=2422.7505

执行之后剩余内存:2423.3901-900.46466+726.91455=2249.84

cost time:77271 ms

在上篇文章基于词典的正向最大匹配算法中，我们已经优化了词典查找算法(DIC.contains(tryWord))的性能(百万次查询只要一秒左右的时间)，即使经过优化后TrieV3仍然比HashSet慢4倍，也不影响它在分词算法中的作用，从上面的数据可以看到，TrieV3的整体分词性能领先HashSet十五个百分点(15%)，而且内存占用只有HashSet的80%。

如何来优化分词算法呢？分词算法有什么问题吗？

回顾一下代码：

public static List seg(String text){

List result = new ArrayList<>();

while(text.length()>0){

int len=MAX_LENGTH;

if(text.length()

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(0, 0+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(0, tryWord.length()-1);

}

result.add(tryWord);

//从待分词文本中去除已经分词的文本

text=text.substring(tryWord.length());

}

return result;

}

分析一下算法复杂性，最坏情况为切分出来的每个词的长度都为一(即DIC.contains(tryWord)始终为false)，因此算法的复杂度约为外层循环数*内层循环数(即 文本长度*最大词长)=25025017*16=400400272，以TrieV3的查找性能来说，4亿次查询花费的时间大约8分钟左右。

进一步查看算法，发现外层循环有2个substring方法调用，内层循环有1个substring方法调用，substring方法内部new了一个String对象，构造String对象的时候又调用了System.arraycopy来拷贝数组。

最坏情况下，25025017*2+25025017*16=50050034+400400272=450450306，需要构造4.5亿个String对象和拷贝4.5亿次数组。

怎么来优化呢？

除了我们不得不把切分出来的词加入result中外，其他的两个substring是可以去掉的。这样，最坏情况下我们需要构造的String对象个数和拷贝数组的次数就从4.5亿次降低为25025017次，只有原来的5.6%。

看看改进后的代码：

public static List seg(String text){

List result = new ArrayList<>();

//文本长度

final int textLen=text.length();

//从未分词的文本中截取的长度

int len=DIC.getMaxLength();

//剩下未分词的文本的索引

int start=0;

//只要有词未切分完就一直继续

while(start

if(len>textLen-start){

//如果未分词的文本的长度小于截取的长度

//则缩短截取的长度

len=textLen-start;

}

//用长为len的字符串查词典

while(!DIC.contains(text, start, len)){

//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(len==1){

break;

}

//如果查不到，则长度减一后继续

len--;

}

result.add(text.substring(start, start+len));

//从待分词文本中向后移动索引，滑过已经分词的文本

start+=len;

//每一次成功切词后都要重置截取长度

len=DIC.getMaxLength();

}

return result;

}

public static List segReverse(String text){

Stack result = new Stack<>();

//文本长度

final int textLen=text.length();

//从未分词的文本中截取的长度

int len=DIC.getMaxLength();

//剩下未分词的文本的索引

int start=textLen-len;

//处理文本长度小于最大词长的情况

if(start<0){

start=0;

}

if(len>textLen-start){

//如果未分词的文本的长度小于截取的长度

//则缩短截取的长度

len=textLen-start;

}

//只要有词未切分完就一直继续

while(start>=0 && len>0){

//用长为len的字符串查词典

while(!DIC.contains(text, start, len)){

//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(len==1){

break;

}

//如果查不到，则长度减一

//索引向后移动一个字，然后继续

len--;

start++;

}

result.push(text.substring(start, start+len));

//每一次成功切词后都要重置截取长度

len=DIC.getMaxLength();

if(len>start){

//如果未分词的文本的长度小于截取的长度

//则缩短截取的长度

len=start;

}

//每一次成功切词后都要重置开始索引位置

//从待分词文本中向前移动最大词长个索引

//将未分词的文本纳入下次分词的范围

start-=len;

}

len=result.size();

List list = new ArrayList<>(len);

for(int i=0;i

list.add(result.pop());

}

return list;

}

对于正向最大匹配算法，代码行数从23增加为33，对于逆向最大匹配算法，代码行数从28增加为51，除了代码行数的增加，代码更复杂，可读性和可维护性也更差，这就是性能的代价！所以，不要过早优化，不要做不成熟的优化，因为不是所有的场合都需要高性能，在数据规模未达到一定程度的时候，各种算法和数据结构的差异表现不大，至少那个差异对你无任何影响。你可能会说，要考虑到明天，要考虑将来，你有你自己的道理，不过，我还是坚持不过度设计，不过早设计，通过单元测试和持续重构来应对变化，不为遥不可及的将来浪费今天，下一秒会发生什么谁知道呢？更不用说明天！因为有单元测试这张安全防护网，所以在出现性能问题的时候，我们可以放心、大胆、迅速地重构来优化性能。

下面看看改进之后的性能(对比TrieV3和HashSet的表现)：

开始初始化词典

dic.class=org.apdplat.word.dictionary.impl.TrieV3

dic.path=dic.txt

完成初始化词典，耗时689 毫秒，词数目：427452

词典最大词长：16

词长  0 的词数为：1

词长  1 的词数为：11581

词长  2 的词数为：146497

词长  3 的词数为：162776

词长  4 的词数为：90855

词长  5 的词数为：6132

词长  6 的词数为：3744

词长  7 的词数为：2206

词长  8 的词数为：1321

词长  9 的词数为：797

词长 10 的词数为：632

词长 11 的词数为：312

词长 12 的词数为：282

词长 13 的词数为：124

词长 14 的词数为：116

词长 15 的词数为：51

词长 16 的词数为：25

词典平均词长：2.94809

字符数目：24960301

分词耗时：24782 毫秒

分词速度：1007.0 字符/毫秒

执行之前剩余内存:2423.3901-61.14509+60.505272=2422.7505

执行之后剩余内存:2423.3901-732.0371+308.87476=2000.2278

cost time:25007 ms

开始初始化词典

dic.class=org.apdplat.word.dictionary.impl.HashSet

dic.path=dic.txt

完成初始化词典，耗时293 毫秒，词数目：427452

词典最大词长：16

词长  0 的词数为：1

词长  1 的词数为：11581

词长  2 的词数为：146497

词长  3 的词数为：162776

词长  4 的词数为：90855

词长  5 的词数为：6132

词长  6 的词数为：3744

词长  7 的词数为：2206

词长  8 的词数为：1321

词长  9 的词数为：797

词长 10 的词数为：632

词长 11 的词数为：312

词长 12 的词数为：282

词长 13 的词数为：124

词长 14 的词数为：116

词长 15 的词数为：51

词长 16 的词数为：25

词典平均词长：2.94809

字符数目：24960301

分词耗时：40913 毫秒

分词速度：610.0 字符/毫秒

执行之前剩余内存:907.8702-61.14509+60.505295=907.2304

执行之后剩余内存:907.8702-165.4784+123.30369=865.6955

cost time:40928 ms

可以看到分词算法优化的效果很明显，对于TrieV3来说，提升了2.5倍，对于HashSet来说，提升了1.9倍。我们看看HashSet的实现：

public class HashSet implements Dictionary{

private Set set = new java.util.HashSet<>();

private int maxLength;

@Override

public int getMaxLength() {

return maxLength;

}

@Override

public boolean contains(String item, int start, int length) {

return set.contains(item.substring(start, start+length));

}

@Override

public boolean contains(String item) {

return set.contains(item);

}

@Override

public void addAll(List items) {

for(String item : items){

add(item);

}

}

@Override

public void add(String item) {

//去掉首尾空白字符

item=item.trim();

int len = item.length();

if(len 

//长度小于1则忽略

return;

}

if(len>maxLength){

maxLength=len;

}

set.add(item);

}

}

JDK的HashSet没有这里优化所使用的contains(String item, int start, int length)方法，所以用了substring，这是HashSet提速没有TrieV3大的原因之一。

看一下改进的算法和原来的算法的对比：

正向最大匹配算法：

逆向最大匹配算法：

参考资料：