欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Java实现的最大匹配分词算法详解

程序员文章站 2024-03-01 14:52:04
本文实例讲述了java实现的最大匹配分词算法。分享给大家供大家参考,具体如下: 全文检索有两个重要的过程: 1分词 2倒排索引 我们先看分词算法 目前对中文分词有...

本文实例讲述了java实现的最大匹配分词算法。分享给大家供大家参考,具体如下:

全文检索有两个重要的过程:

1分词

2倒排索引

我们先看分词算法

目前对中文分词有两个方向,其中一个是利用概率的思想对文章分词。 也就是如果两个字,一起出现的频率很高的话,我们可以假设这两个字是一个词。这里可以用一个公式衡量:m(a,b)=p(ab)/p(a)p(b),其中 a表示一个字,b表示一个字,p(ab)表示ab相邻出现的概率,p(a)表示a在这篇文章中的频度,p(b)表示b在这篇文章中的频度。用概率分词的好 处是不需要借助词典的帮助,坏处是算法比较麻烦,效率不高,也存在一定的出错率。

另外的一个方向是使用词典分词。就是事先为程序准备一个词典,然后通过这个词典对文章分词。目前较流行的方式有正向最大匹配算法和逆向最大匹配算法。逆向最大匹配算法在准确性上要更好一些。

以 “我是一个坏人” 为例,并最大词长为3,词库包含有 我、是、一、个、一个、坏人、大坏人

正向的顺序为

我是一
我是
我 ===> 得到一个词
是一个
是一
是 ===>得到一个词
一个坏
一个===> 得到一个词
坏人===>得到一个词

结果 我、是、一个、坏人

反向算法

个坏人
坏人==> 坏人
是一个
一个==> 一个
我是
是==> 是
我==> 我

结果 我、是、一个、坏人

java代码如下

package data;
import java.util.arrays;
import java.util.hashset;
import java.util.set;
/**
 * 最大匹配分词算法
 *
 * @author jyc506
 *
 */
public class splitstring {
 private set<string> set = new hashset<string>();
 private int positiveover = 0;
 private int reverseover = 0;
 /**
  * 正向最大匹配
  *
  * @param str 要分词的句子
  * @param num 词的最大长度
  * @return
  */
 public string[] positivesplit(string str, int maxsize) {
  int tem = 0;
  int length = str.length();
  string[] ss = new string[length];
  char[] cc = str.tochararray();
  for (int i = 0; i < length; i++) {
   positiveover = 0;
   string sb = this.tostr(cc, i, maxsize);
   ss[tem++] = sb;
   i = i + positiveover;
  }
  string[] ss2 = new string[tem];
  system.arraycopy(ss, 0, ss2, 0, tem);
  return ss2;
 }
 /**
  * 添加词库
  *
  * @param words
  */
 public void addword(string[] words) {
  for (string st : words) {
   this.set.add(st);
  }
 }
 /**
  * 逆向最大匹配
  *
  * @param str
  * @param num
  * @return
  */
 public string[] reversesplit(string str, int num) {
  int tem = 0;
  int length = str.length();
  string[] ss = new string[length];
  char[] cc = str.tochararray();
  for (int i = str.length() - 1; i > -1; i--) {
   reverseover = 0;
   string sb = this.tostr2(cc, i, num);
   tem++;
   ss[--length] = sb;
   i = i - reverseover;
  }
  string[] ss2 = new string[tem];
  system.arraycopy(ss, str.length() - tem, ss2, 0, tem);
  return ss2;
 }
 private string tostr(char[] cs, int start, int num) {
  int num2 = num;
  out: for (int j = 0; j < num; j++) {
   stringbuffer sb = new stringbuffer();
   for (int i = 0; i < num2; i++) {
    if (start + i < cs.length) {
     sb.append(cs[start + i]);
    } else {
     num2--;
     j--;
     continue out;
    }
   }
   if (set.contains(sb.tostring())) {
    positiveover = num2 - 1;
    return sb.tostring();
   }
   num2--;
  }
  return string.valueof(cs[start]);
 }
 private string tostr2(char[] cs, int start, int num) {
  int num2 = num;
  for (int j = 0; j < num; j++) {
   stringbuffer sb = new stringbuffer();
   for (int i = 0; i < num2; i++) {
    int index = start - num2 + i + 1;
    if (index > -1) {
     sb.append(cs[index]);
    } else {
     num2--;
    }
   }
   if (set.contains(sb.tostring())) {
    reverseover = num2 - 1;
    return sb.tostring();
   }
   num2--;
  }
  return string.valueof(cs[start]);
 }
 public static void main(string[] args) {
  string[] words = new string[] { "我们", "我们五人", "五人一组", "一组" };
  splitstring ss = new splitstring();
  /*添加词到词库*/
  ss.addword(words);
  string st = "我们五人一组";
  system.out.println("测试结果:");
  system.out.println("要分词的句子:" + st);
  /*使用两种方式分词,下面我指定最大词长度为4*/
  string[] ss2 = ss.reversesplit(st, 4);
  string[] ss1 = ss.positivesplit(st, 4);
  system.out.println("正向最大匹配分词算法分词结果:" + arrays.tostring(ss1));
  system.out.println("逆向最大匹配分词算法分词结果:" + arrays.tostring(ss2));
 }
}

Java实现的最大匹配分词算法详解

更多关于java算法相关内容感兴趣的读者可查看本站专题:《java数据结构与算法教程》、《java字符与字符串操作技巧总结》、《java操作dom节点技巧总结》、《java文件与目录操作技巧汇总》和《java缓存操作技巧汇总

希望本文所述对大家java程序设计有所帮助。