中文分词常用算法之基于词典的正向最大匹配

算法描述：

  1. S1为带切分字符串，S2为空，MaxLen为词典中的最大词长
  2. 判断S1是否为空，若是则输出S2
  3. 从S1左边开始，取出待处理字符串str（其中str的长度小于MaxLen）
  4. 查看str是否在词典中，若是则转5，若否则转6
  5. S2+=str+”/”,S1-=str,转2
  6. 将str最右边的一个字去掉
  7. 判断str是否为单字，若是则转5，若否则转4

    Java实现代码：

     1 public static List<String> FMM(String text) {
 2         List<String> result = new ArrayList<String>();
 3         while (text.length() > 0) {
 4             int len = MAX_LENGTH;
 5             if (text.length() < len) {
 6                 len = text.length();
 7             }
 8             String tryWord = text.substring(0, 0 + len);
 9             while (!DIC.contains(tryWord)) {
10                 if (tryWord.length() == 1) {
11                     break;
12                 }
13                 tryWord = tryWord.substring(0, tryWord.length() - 1);
14             }
15             result.add(tryWord);
16             text = text.substring(tryWord.length());
17         }
18         return result;
19     }

    小结：

    正向最大匹配算法是中文分词基本算法之一，它分词速度快但是准确度并不高，比如“长春市长春节快乐”用正向最大匹配分出的来得结果是“长春市，市长，节，快乐”，这显然不符合我们的语言习惯，所以在此思想上，我们可以用逆向最大匹配算法来解决此类问题。

posted @ 2015-05-25 20:26  搞不清算法  阅读(2030)  评论(0)  编辑  收藏  举报