在之前的博文中介绍了基于词典的正向最大匹配算法,用了不到50行代码就实现了,然后分析了词典查找算法的时空复杂性,最后使用前缀树来实现词典查找算法,并做了3次优化。
下面我们看看基于词典的逆向最大匹配算法的实现,如下代码所示:
- public static List<String> segReverse(String text){
- Stack<String> result = new Stack<>();
- while(text.length()>0){
- int len=MAX_LENGTH;
- if(text.length()<len){
- len=text.length();
- }
- //取指定的最大长度的文本去词典里面匹配
- String tryWord = text.substring(text.length() - len);
- while(!DIC.contains(tryWord)){
- //如果长度为一且在词典中未找到匹配,则按长度为一切分
- if(tryWord.length()==1){
- break;
- }
- //如果匹配不到,则长度减一继续匹配
- tryWord=tryWord.substring(1);
- }
- result.push(tryWord);
- //从待分词文本中去除已经分词的文本
- text=text.substring(0, text.length()-tryWord.length());
- }
- int len=result.size();
- List<String> list = new ArrayList<>(len);
- for(int i=0;i<len;i++){
- list.add(result.pop());
- }
- return list;
- }
算法跟正向相差不大,重点是使用Stack来存储分词结果,具体差异如下图所示:
下面看看正向和逆向的分词效果,使用如下代码:
- public static void main(String[] args){
- List<String> sentences = new ArrayList<>();
- sentences.add("杨尚川是APDPlat应用级产品开发平台的作者");
- sentences.add("研究生命的起源");
- sentences.add("长春市长春节致辞");
- sentences.add("他从马上下来");
- sentences.add("乒乓球拍卖完了");
- sentences.add("咬死猎人的狗");
- sentences.add("大学生活象白纸");
- sentences.add("他有各种才能");
- sentences.add("有意见分歧");
- for(String sentence : sentences){
- System.out.println("正向最大匹配: "+seg(sentence));
- System.out.println("逆向最大匹配: "+segReverse(sentence));
- }
- }
运行结果如下:
- 开始初始化词典
- 完成初始化词典,词数目:427452
- 最大分词长度:16
- 正向最大匹配: [杨尚川, 是, APDPlat, 应用, 级, 产品开发, 平台, 的, 作者]
- 逆向最大匹配: [杨尚川, 是, APDPlat, 应用, 级, 产品开发, 平台, 的, 作者]
- 正向最大匹配: [研究生, 命, 的, 起源]
- 逆向最大匹配: [研究, 生命, 的, 起源]
- 正向最大匹配: [长春市, 长春, 节, 致辞]
- 逆向最大匹配: [长春, 市长, 春节, 致辞]
- 正向最大匹配: [他, 从, 马上, 下来]
- 逆向最大匹配: [他, 从, 马上, 下来]
- 正向最大匹配: [乒乓球拍, 卖完, 了]
- 逆向最大匹配: [乒乓球拍, 卖完, 了]
- 正向最大匹配: [咬, 死, 猎人, 的, 狗]
- 逆向最大匹配: [咬, 死, 猎人, 的, 狗]
- 正向最大匹配: [大学生, 活象, 白纸]
- 逆向最大匹配: [大学生, 活象, 白纸]
- 正向最大匹配: [他, 有, 各种, 才能]
- 逆向最大匹配: [他, 有, 各种, 才能]
- 正向最大匹配: [有意, 见, 分歧]
- 逆向最大匹配: [有, 意见分歧]
参考资料:
1、中文分词十年回顾