深度解析中文分词器算法（最大正向/逆向匹配）

中文分词算法概述：

1：非基于词典的分词（人工智能领域）

相当于人工智能领域计算。一般用于机器学习，特定领域等方法，这种在特定领域的分词可以让计算机在现有的规则模型中，

推理如何分词。在某个领域（垂直领域）分词精度较高。但是实现比较复杂。

例：比较流行的语义网：基于本体的语义检索。

大致实现：用protege工具构建一个本体（在哲学中也叫概念，在80年代开始被人工智能），通过jena的推理机制和实现方法。

实现对Ontology的语义检索。

Ontology语义检索这块自己和一朋友也还在琢磨，目前也只处于初级阶段。这一块有兴趣的朋友可以留言

一起共享资源。

2：基于词典的分词（最为常见）

这类分词算法比较常见，比如正向/逆向匹配。例如： mmseg分词器 就是一种基于词典的分词算法。以最大正向匹配为主，多

种 消除歧义算法为辅。但是不管怎么分。该类分词方法，分词精度不高。由于中文比较复杂，不推荐采用正向最大匹配算法的中文

分词器。。逆向最大匹配算法在处理中文往往会比正向要准确。

接下来分析第2种：基于词典的分词算法（最长的词优先匹配）。 先分析最大正向匹配算法

一： 具体流程图如下：

一：以下代码片段为最大正向匹配算法：

package hhc.forwardAlgorithm;

import java.net.URL;
import java.nio.charset.Charset;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.ArrayList;
import java.util.List;
import java.util.Stack;

/**
 * @Description: 
 * @Date: 2015-2-7上午02:00:51
 * @Author 胡慧超
 * @Version 1.0
 */
@SuppressWarnings("unchecked")
public class TokenizerAlgorithm {
	private static final List<String> DIC=new ArrayList<String>();
	private static int MAX_LENGTH;
	
	/**
	 * 把词库词典转化成dic对象，并解析词典信息
	 */
	static {
		try {
			System.out.println("开始初始化字典...");
			int max=1;
			int count=0;
			//读取词典中的每一个词
			URL url=TokenizerAlgorithm.class.getClassLoader().getResource("hhc/dic.txt");
			Path path=Paths.get(url.toString().replaceAll("file:/", ""));
			List<String> list=Files.readAllLines(path, Charset.forName("UTF-8"));
			System.out.println("读取词典文件结束，词总数为："+list.size());
			for(String line:list){
				DIC.add(line);
				count++;
				//获取词库中 ，最大长度的词的长度
				if(line.length()>max){
					max=line.length();
				}
			}
			MAX_LENGTH=max;
			System.out.println("初始化词典结束，最大分词长度为："+max+"  ！！");
			System.out.println("------------------------------------------------------------------------");
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
	
	/**
	 * 正向分词算法
	 * @param text 
	 * @return
	 */
	public static List forwardSeg(String text){
	    List result=new ArrayList();
		while(text.length()>0){
			int len=MAX_LENGTH;		
			if(text.length()<MAX_LENGTH){
				len=text.length();
			}
			//取指定的最大长度 文本去字典中匹配
			String tryWord=text.substring(0, len);
			while(!DIC.contains(tryWord)){//如果词典中不包含该段文本
				//如果长度为1 的话，且没有在字典中匹配，返回
				if(tryWord.length()==1){
					break;
				}
				//如果匹配不到，则长度减1，继续匹配
				/**
				 * --这里就是最关键的地方,把最右边的词去掉一个，继续循环
				 */		
				tryWord=tryWord.substring(0, tryWord.length()-1);							
			}
			result.add(tryWord);
			//移除该次tryWord，继续循环
			text=text.substring(tryWord.length());
		}
		return result;
	}
	


	public static void main(String[] args) {
		// TODO Auto-generated method stub
		List<String> lst=new ArrayList();
		lst.add("研究生命起源");
		lst.add("食物和服装");
		lst.add("乒乓球拍卖完了");
		for(String str:lst){
			List<String> list=forwardSeg(str);
			String word="";
			for(String s:list){
				s+="/";
				word+=s;
			}
			System.out.println(word);
		}
	}

执行正向分词结果：

二：最大逆向分词算法

考虑到逆向，为了 区分分词的数据的连贯性。我们采用Stack（栈对象，数据结果，后进先出，不同于Queue和ArrayList有顺序的先进先出） 这个对象来存储分词结果。。

	/**
	 * 逆向分词算法
	 * @param text 
	 * @return
	 */
	public static List reverseSeg(String text){
		Stack<String> result=new Stack();
		while(text.length()>0){
			int len=MAX_LENGTH;		
			if(text.length()<MAX_LENGTH){
				len=text.length();
			}
			//取指定的最大长度 文本去字典中匹配
			String tryWord=text.substring(text.length()-len);
			while(!DIC.contains(tryWord)){//如果词典中不包含该段文本
				//如果长度为1 的话，且没有在字典中匹配，返回
				if(tryWord.length()==1){
					break;
				}
				//如果匹配不到，则长度减1，继续匹配
				/**
				 * --这里就是最关键的地方,把最左边的词去掉一个，继续循环
				 */		
				tryWord=tryWord.substring(1);							
			}
			result.add(tryWord);
			//移除该次tryWord，继续循环
			text=text.substring(0,text.length()-tryWord.length());		
		}
		int size=result.size();
		List list =new ArrayList(size);
		for(int i=0;i<size;i++){
			list.add(result.pop());
		}
		return list;
	}

执行逆向分词结果

以上代码实现了两种正向和逆向的算法，可以很明显的比较中文分词结果。

但是效率，，呵呵！确实不咋的。欢迎打脸。

比如：数据结构就先不提。text.substring(0, 0+len)会导致产生大量的新的字符串的产生，消耗CPU的同时还会促发垃圾回收频繁

发生导致性能下降。随着最大长度的增加，性能会严重下降。

像之前介绍的采取正向最大匹配算法的mmseg分词器，内部设置了4个消除歧义的过滤算法，这四个歧义解析规则表明是相当有效率

的。总体来讲。mmseg的分词精度还是值得推荐的。。。下篇博客解析 最小正向/逆向匹配算法。