正向最大匹配算法(FMM)
正向最大匹配算法(FMM)是一种基于词典的分词方法,思想很简单就是从左向右扫描寻找词的最大匹配,比如词典中同时含有“钓鱼”和“钓鱼岛”,那“钓鱼岛属于中国”就会被分词成“钓鱼岛/属于/中国”
过程
- 限定词的最大长度(例如5)
- 从最大的长度开始在词库中进行匹配,直到匹配成功
- 更新起点的位置继续上一步骤直到全部完成
实验
代码
# -*- coding: utf-8 -*-
# 中文正向最大匹配(FMM)分词
import sys
reload(sys) #动态重新加载sys模块
sys.setdefaultencoding('utf8')
word_dict = ['新华网', '东京', '记者', '吴谷丰',