中文分词常用算法之基于词典的双向最大匹配

启发式规则：

    1.如果正反向分词结果词数不同，则取分词数量较少的那个。

    2.如果分词结果词数相同

                 a.分词结果相同，就说明没有歧义，可返回任意一个。

                 b.分词结果不同，返回其中单字较少的那个。

算法描述：

  1. S1为带切分字符串，FMM为S1正向最大匹配切分结果，BMM为S1逆向最大匹配切分结果
  2. 如果FMM和BMM长度不相等则输出长度较短的那个否则转3
  3. 如果FMM和BMM的结果相同则输出任意一个否则输出单个字字数最少的结果

Java实现代码：

 1 public static List<String> SegDouble(String text) {
 2         List<String> FMM = FMM(text);
 3         List<String> BMM = BMM(text);
 4         if (FMM.size() != BMM.size()) {
 5             if (FMM.size() > BMM.size())
 6                 return BMM;
 7             else
 8                 return FMM;
 9         } else {
10             int i, iFMM = 0, iBMM = 0;
11             boolean isSame = true;
12             for (i = 0; i < FMM.size(); i++) {
13                 if (!FMM.get(i).equals(BMM.get(i)))
14                     isSame = false;
15                 if (FMM.get(i).length() == 1)
16                     iFMM++;
17                 if (BMM.get(i).length() == 1)
18                     iBMM++;
19             }
20             if (isSame)
21                 return FMM;
22             else
23                 return iFMM < iBMM ? FMM : BMM;
24 
25         }
26 
27     }

小结：

双向最大匹配是要基于最大正向匹配和最大逆向匹配的一个算法，即将两种算法都进行一遍，然后根据大颗粒度词越多越好，非词典词和单字词越少越好的原则，选取两种算法中的一个结果予以输出。只要词典足够优秀，双向最大匹配的正确率还是挺高的。

posted @ 2015-05-25 20:30  搞不清算法  阅读(707)  评论(0)  编辑  收藏  举报