分词算法的正向和逆向非常简单，设计思路可以参考这里:
中文分词入门之最大匹配法 我爱自然语言处理
http://www.52nlp.cn/maximum-matching-method-of-chinese-word-segmentation
正向最大匹配，简单来说，就是分词的时候，每次读取最大长度，比如7个字。然后去词典看，有没有这个词，没有，就减少一个字，再去词典找有没有这个词。
如此循环，直到找到为止。然后继续从字符串读取7个字，再去词典匹配，如此循环。直到整个字符串处理完毕。
逆向就是反过来，从右往左匹配，思路一样，不过分词之后，要反转排序，才是正常人的阅读顺序。
一般来说，逆向匹配，比正向匹配准确率高不少。
但是，在使用搜狗拼音的17万词库作为词典后，正向匹配的准确率，明显比逆向匹配高。
原因是，搜狗拼音的词库，为了处理生活中非常随意的文字输入，每次输入一个随意的短语或者错别字，就创建了一个新词。因此，这个词库有大量废词和错词。
比如：
<ns1:InputString>yao4 zhuang1</ns1:InputString>
<ns1:OutputString>要装</ns1:OutputString>
</ns1:DictionaryEntry>
<ns1:DictionaryEntry>
<ns1:InputString>yao4 zhuang1 qu1 dong4</ns1:InputString>
<ns1:OutputString>要装驱动</ns1:OutputString>
</ns1:DictionaryEntry>
<ns1:DictionaryEntry>
<ns1:InputString>yao4 zhuang4 tai4</ns1:InputString>
<ns1:OutputString>要状态</ns1:OutputString>
</ns1:DictionaryEntry>
<ns1:DictionaryEntry>
<ns1:InputString>yao4 zhui1 cha2</ns1:InputString>
<ns1:OutputString>要追查</ns1:OutputString>
</ns1:DictionaryEntry> 而双向匹配，就是进行正向 + 逆向匹配。
如果 正反向分词结果一样，说明没有歧义，就是分词成功。
如果 正反向结果不一样，说明有歧义，就要处理。
双向匹配，关键就在消除歧义的方法上。
常见的歧义消除方法，比如，从正反向的分词结果中：选择分词数量较少的那个 或者 选择单字较少的那个 或者 选择分词长度方差最小的那个。
还有个据说效果很好的方法是：罚分策略。
简单来说，就是有很多中文字，几乎是永远不会单独出现的，总是作为一个词出现。那么，就单独做个字典，把这些字加进去。
如果分词结果中，包含这样的单字，说明这个分词结果有问题，就要扣分。每出现一个，就扣一分。正反分词结果经过扣分之后，哪个扣分少，哪个就是最优结果。
这个策略听起来很凭感觉，很麻烦。但我发现这个思路可以用于解决一个很头痛的问题：多音字。
多音字，按道理，就不应该单独出现，不然鬼知道它应该读什么。
因此，通过检查分词结果中，是否存在单独的多音字，就知道分词结果是否优秀。
中文的多音字是如此之多，因此这个办法效果应该会相当不错。
而我自己，则小小创新了一下，做了个贪吃蛇法，来消除歧义。
思路是这样的：要进行分词的字符串，就是食物。有2个贪吃蛇，一个从左向右吃；另一个从右向左吃。只要左右分词结果有歧义，2条蛇就咬下一口。贪吃蛇吃下去的字符串，就变成分词。
如果左右分词一直有歧义，两条蛇就一直吃。两条蛇吃到字符串中间交汇时，就肯定不会有歧义了。
这时候，左边贪吃蛇肚子里的分词，中间没有歧义的分词，右边贪吃蛇肚子里的分词，3个一拼，就是最终的分词结果。
程序上，是这样的：
对字符串进行左右（正反）分词，如果有歧义，就截取字符串两头的第一个分词，作为最终分词结果的两头。
两头被各吃一口的字符串，就变短了。这个变短的字符串，重新分词，再次比较左右分词有没有歧义。
如果一直有歧义，就一直循环。直到没有歧义，或者字符串不断被从两头截短，最后什么也不剩下，也就不可能有歧义了。
这个方法，就是把正向分词结果的左边，和反向分词结果的右边，不断的向中间进行拼接，最终得到分词结果。
算法设计原因：
我发现，人在阅读中文的时候，并不完全是从左向右读的。
当一句话有重大歧义，大脑不能立马找到合理解释的时候，会本能的开始尝试从后往前去看这句话，试图找到一个合理的解释。
就像中学生做数学证明题时，正向推导很困难，就会尝试逆向推导。然后发现，正向推导的中间产物 和 逆向推导的中间产物，刚好一致，于是证明题完成。
这个贪吃蛇算法，就是基于这个原因而设计。
不过我暂时没法去验证这个算法是否真的优越。
因为我没有去优化词库。。。现在用的是我从搜狗拼音导出来的原生词库，里面有我多年上网形成的无数错别字词条。。。而且由于我个人的兴趣偏向，我导出的词库，缺少大量常用词。比如“名著”这个词。这辈子没用到过。。。
最后，贴上这个分词算法类的完整代码，直接就能用：
包含了 正反向最大匹配，双向匹配，以及贪吃蛇消除歧义法
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
namespace TextToPinyin.Helper
{
/// <summary>
/// 分词算法
/// </summary>
static class Segmentation
{
/// <summary>
/// 用最大匹配算法进行分词，正反向均可。
/// 为了节约内存，词典参数是引用传递
/// </summary>
/// <param name="inputStr">要进行分词的字符串</param>
/// <param name="wordList">词典</param>
/// <param name="leftToRight">true为从左到右分词，false为从右到左分词</param>
/// <param name="maxLength">每个分词的最大长度</param>
/// <returns>储存了分词结果的字符串数组</returns>
public static List<string> SegMM(string inputStr, ref List<string> wordList, bool leftToRight, int maxLength)
{
//指定词典不能为空
if (wordList == null)
return null;
//指定要分词的字符串也不能为空
if (string.IsNullOrEmpty(inputStr))
return null;
//取词的最大长度，必须大于0
if (!(maxLength > 0))
return null;
//分词的方向，true=从左到右,false=从右到左
//用于储存正向分词的字符串数组
List<string> segWords = new List<string>();
//用于储存逆向分词的字符串数组
List<string> segWordsReverse = new List<string>();
//用于尝试分词的取词字符串
string word = "";
//取词的当前长度
int wordLength = maxLength;
//分词操作中，处于字符串中的当前位置
int position = 0;
//分词操作中，已经处理的字符串总长度
int segLength = 0;
//开始分词，循环以下操作，直到全部完成
while (segLength < inputStr.Length)
{
//如果还没有进行分词的字符串长度，小于取词的最大长度，则只在字符串长度内处理
if ((inputStr.Length - segLength) < maxLength)
wordLength = inputStr.Length - segLength;
//否则，按最大长度处理
else
wordLength = maxLength;
//从左到右 和 从右到左截取时，起始位置不同
//刚开始，截取位置是字符串两头，随着不断循环分词，截取位置会不断推进
if (leftToRight)
position = segLength;
else
position = inputStr.Length - segLength - wordLength;
//按照指定长度，从字符串截取一个词
word = inputStr.Substring(position, wordLength);
//在字典中查找，是否存在这样一个词
//如果不包含，就减少一个字符，再次在字典中查找
//如此循环，直到只剩下一个字为止
while (!wordList.Contains(word))
{
//如果只剩下一个单字，就直接退出循环
if (word.Length == 1)
break;
//把截取的字符串，最边上的一个字去掉
//注意，从左到右 和 从右到左时，截掉的字符的位置不同
if (leftToRight)
word = word.Substring(0, word.Length - 1);
else
word = word.Substring(1);
}
//将分出的词，加入到分词字符串数组中，正向和逆向不同
if (leftToRight)
segWords.Add(word);
else
segWordsReverse.Add(word);
//已经完成分词的字符串长度，要相应增加
segLength += word.Length;
}
//如果是逆向分词，还需要对分词结果反转排序
if (!leftToRight)
{
for (int i = 0; i < segWordsReverse.Count; i++)
{
//将反转的结果，保存在正向分词数组中
segWords.Add(segWordsReverse[segWordsReverse.Count - 1 - i]);
}
}
//返回储存着正向分词的字符串数组
return segWords;
}
/// <summary>
/// 用最大匹配算法进行分词，正反向均可，每个分词最大长度是7。
/// 为了节约内存，词典参数是引用传递
/// </summary>
/// <param name="inputStr">要进行分词的字符串</param>
/// <param name="wordList">词典</param>
/// <param name="leftToRight">true为从左到右分词，false为从右到左分词</param>
/// <returns>储存了分词结果的字符串数组</returns>
public static List<string> SegMM(string inputStr, ref List<string> wordList, bool leftToRight)
{
return SegMM(inputStr, ref wordList, leftToRight, 7);
}
/// <summary>
/// 用最大匹配算法进行分词，正向，每个分词最大长度是7。
/// 为了节约内存，词典参数是引用传递
/// </summary>
/// <param name="inputStr">要进行分词的字符串</param>
/// <param name="wordList">词典</param>
/// <returns>储存了分词结果的字符串数组</returns>
public static List<string> SegMMLeftToRight(string inputStr, ref List<string> wordList)
{
return SegMM(inputStr, ref wordList, true, 7);
}
/// <summary>
/// 用最大匹配算法进行分词，反向，每个分词最大长度是7。
/// 为了节约内存，词典参数是引用传递
/// </summary>
/// <param name="inputStr">要进行分词的字符串</param>
/// <param name="wordList">词典</param>
/// <returns>储存了分词结果的字符串数组</returns>
public static List<string> SegMMRightToLeft(string inputStr, ref List<string> wordList)
{
return SegMM(inputStr, ref wordList, false, 7);
}
/// <summary>
/// 比较两个字符串数组，是否所有内容完全相等。
/// 为了节约内存，参数是引用传递
/// </summary>
/// <param name="strList1">待比较字符串数组01</param>
/// <param name="strList2">待比较字符串数组02</param>
/// <returns>完全相同返回true</returns>
private static bool CompStringList(ref List<string> strList1, ref List<string> strList2)
{
//待比较的字符串数组不能为空
if (strList1 == null || strList2 == null)
return false;
//待比较的字符串数组长度不同，就说明不相等
if (strList1.Count != strList2.Count)
return false;
else
{
//逐个比较数组中，每个字符串是否相同
for (int i = 0; i < strList1.Count; i++)
{
//只要有一个不同，就说明字符串不同
if (strList1[i] != strList2[i])
return false;
}
}
return true;
}
/// <summary>
/// 用最大匹配算法进行分词，双向，每个分词最大长度是7。
/// 为了节约内存，字典参数是引用传递
/// </summary>
/// <param name="inputStr">要进行分词的字符串</param>
/// <param name="wordList">词典</param>
/// <returns>储存了分词结果的字符串数组</returns>
public static List<string> SegMMDouble(string inputStr, ref List<string> wordList)
{
//用于储存分词的字符串数组
//正向
List<string> segWordsLeftToRight = new List<string>();
//逆向
List<string> segWordsRightToLeft = new List<string>();
//定义拼接后的分词数组
List<string> segWordsFinal = new List<string>();
//用于保存需要拼接的左、右、中间分词碎块
List<string> wordsFromLeft = new List<string>();
List<string> wordsFromRight = new List<string>();
List<string> wordsAtMiddle = new List<string>();
//通过循环，进行正反向分词，如果有歧义，就截短字符串两头，继续分词，直到消除歧义，才结束
//整个思路就像贪吃蛇，从两头，一直吃到中间，把一个字符串吃完。
//
//每次循环，得到正反向分词后，进行比较，判断是否有歧义
//如果没有歧义，贪吃蛇就不用继续吃了，把分词结果保存，待会用于拼接
//如果有歧义，就取正向分词的第一个词，和反向分词的最后一个词，拼接到最终分词结果的头尾
//而输入字符串，则相应的揭短掉头尾，得到的子字符串，重新进行正反向分词
//如此循环，直到完成整个输入字符串
//
//循环结束之后，就是把上面"贪吃蛇"吃掉的左、右分词结果以及没有歧义的中间分词结果，拼接起来。
//进行正反向分词
//正向
segWordsLeftToRight = SegMMLeftToRight(inputStr, ref wordList);
//逆向
segWordsRightToLeft = SegMMRightToLeft(inputStr, ref wordList);
//判断两头的分词拼接，是否已经在输入字符串的中间交汇，只要没有交汇，就不停循环
while ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count-1].Length) < inputStr.Length)
{
//如果正反向的分词结果相同，就说明没有歧义，可以退出循环了
//正反向分词中，随便取一个，复制给middle的临时变量即可
if (CompStringList(ref segWordsLeftToRight, ref segWordsRightToLeft))
{
wordsAtMiddle = segWordsLeftToRight.ToList<string>();
break;
}
//如果正反向分词结果不同，则取分词数量较少的那个，不用再循环
if (segWordsLeftToRight.Count < segWordsRightToLeft.Count)
{
wordsAtMiddle = segWordsLeftToRight.ToList<string>();
break;
}
else if (segWordsLeftToRight.Count > segWordsRightToLeft.Count)
{
wordsAtMiddle = segWordsRightToLeft.ToList<string>();
break;
}
//如果正反分词数量相同，则返回其中单字较少的那个，也不用再循环
{
//计算正向分词结果中，单字的个数
int singleCharLeftToRight = 0;
for (int i = 0; i < segWordsLeftToRight.Count; i++)
{
if (segWordsLeftToRight[i].Length == 1)
singleCharLeftToRight++;
}
//计算反向分词结果中，单字的个数
int singleCharRightToLeft = 0;
for (int j = 0; j < segWordsRightToLeft.Count; j++)
{
if (segWordsRightToLeft[j].Length == 1)
singleCharRightToLeft++;
}
//比较单字个数多少，返回单字较少的那个
if (singleCharLeftToRight < singleCharRightToLeft)
{
wordsAtMiddle = segWordsLeftToRight.ToList<string>();
break;
}
else if (singleCharLeftToRight > singleCharRightToLeft)
{
wordsAtMiddle = segWordsRightToLeft.ToList<string>();
break;
}
}
//如果以上措施都不能消除歧义，就需要继续循环
//将正向"贪吃蛇"的第一个分词，放入临时变量中，用于结束循环后拼接
wordsFromLeft.Add(segWordsLeftToRight[0]);
//将逆向"贪吃蛇"的最后一个分词，放入临时变量，用于结束循环后拼接
wordsFromRight.Add(segWordsRightToLeft[segWordsRightToLeft.Count-1]);
//将要处理的字符串从两头去掉已经分好的词
inputStr = inputStr.Substring(segWordsLeftToRight[0].Length);
inputStr = inputStr.Substring(0, inputStr.Length - segWordsRightToLeft[segWordsRightToLeft.Count - 1].Length);
//继续次循环分词
//分词之前，清理保存正反分词的变量，防止出错
segWordsLeftToRight.Clear();
segWordsRightToLeft.Clear();
//进行正反向分词
//正向
segWordsLeftToRight = SegMMLeftToRight(inputStr, ref wordList);
//逆向
segWordsRightToLeft = SegMMRightToLeft(inputStr, ref wordList);
}
//循环结束，说明要么分词没有歧义了，要么"贪吃蛇"从两头吃到中间交汇了
//如果是在中间交汇，交汇时的分词结果，还要进行以下判断：
//如果中间交汇有重叠了：
// 正向第一个分词的长度 + 反向最后一个分词的长度 > 输入字符串总长度，就直接取正向的
// 因为剩下的字符串太短了，2个分词就超出长度了
if ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count-1].Length) > inputStr.Length)
{
wordsAtMiddle = segWordsLeftToRight.ToList<string>();
}
//如果中间交汇，刚好吃完，没有重叠：
// 正向第一个分词 + 反向最后一个分词的长度 = 输入字符串总长度，那么正反向一拼即可
else if ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count - 1].Length) == inputStr.Length)
{
wordsAtMiddle.Add(segWordsLeftToRight[0]);
wordsAtMiddle.Add(segWordsRightToLeft[segWordsRightToLeft.Count - 1]);
}
//将之前"贪吃蛇"正反向得到的分词，以及中间没有歧义的分词，进行合并。
//将左边的贪吃蛇的分词，添加到最终分词词组
foreach (string wordLeft in wordsFromLeft)
{
segWordsFinal.Add(wordLeft);
}
//将中间没有歧义的分词，添加到最终分词词组
foreach (string wordMiddle in wordsAtMiddle)
{
segWordsFinal.Add(wordMiddle);
}
//将右边的贪吃蛇的分词，添加到最终分词词组，注意，右边的添加是逆向的
for (int i = 0; i < wordsFromRight.Count; i++ )
{
segWordsFinal.Add(wordsFromRight[wordsFromRight.Count-1-i]);
}
//返回完成的最终分词
return segWordsFinal;
}
}
}
163
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
