中文分词引擎 java 实现 — 正向最大、逆向最大、双向最大匹配法

正向最大匹配法

分词目标：

在词典中进行扫描，尽可能地选择与词典中最长单词匹配的词作为目标分词，然后进行下一次匹配。

算法流程：

假设词典中最长的单词为 5 个（MAX_LENGTH），那么最大匹配的起始子串字数也为 5 个

（1）扫描字典，测试读入的子串是否在字典中

（2）如果存在，则从输入中删除掉该子串，重新按照规则取子串，重复（1）

（3）如果不存在于字典中，则从右向左减少子串长度，重复（1）

分词实例：

比如说输入 “北京大学生前来应聘”，

1. 第一轮：取子串 “北京大学生”，正向取词，如果匹配失败，每次去掉匹配字段最后面的一个字
   
   • “北京大学生”，扫描 5 字词典，没有匹配，子串长度减 1 变为“北京大学”
   • “北京大学”，扫描 4 字词典，有匹配，输出“北京大学”，输入变为“生前来应聘”
2. 第二轮：取子串“生前来应聘”
   
   • “生前来应聘”，扫描 5 字词典，没有匹配，子串长度减 1 变为“生前来应”
   • “生前来应”，扫描 4 字词典，没有匹配，子串长度减 1 变为“生前来”
   • “生前来”，扫描 3 字词典，没有匹配，子串长度减 1 变为“生前”
   • “生前”，扫描 2 字词典，有匹配，输出“生前”，输入变为“来应聘””
3. 第三轮：取子串“来应聘”
   
   • “来应聘”，扫描 3 字词典，没有匹配，子串长度减 1 变为“来应”
   • “来应”，扫描 2 字词典，没有匹配，子串长度减 1 变为“来”
   • 颗粒度最小为 1，直接输出“来”，输入变为“应聘”
4. 第四轮：取子串“应聘”
   
   • “应聘”，扫描 2 字词典，有匹配，输出“应聘”，输入变为“”
5. 输入长度为0，扫描终止

正向匹配法最终的切分结果为：”北京大学 / 生前 / 来 / 应聘”

正向匹配法实现代码如下：

public List<String> leftMax(String str) {

        List<String> results = new ArrayList<String>();
        String input = str;

        while( input.length() > 0 ) {

            String subSeq;
            // 每次取小于或者等于最大字典长度的子串进行匹配
            if( input.length() < MAX_LENGTH) 
                subSeq = input;
            else
                subSeq = input.substring(0, MAX_LENGTH);

            while( subSeq.length() > 0 ) {
                // 如果字典中含有该子串或者子串颗粒度为1，子串匹配成功
                if( dictionary.contains(subSeq) || subSeq.length() == 1) {
                    results.add(subSeq);
                    // 输入中从前向后去掉已经匹配的子串
                    input = input.substring(subSeq.length());
                    break;      // 退出循环，进行下一次匹配
                } else {
                    // 去掉匹配字段最后面的一个字
                    subSeq = subSeq.substring(0, subSeq.length() - 1);
                }   
            }

        }
        return results;
    }

逆向最大匹配法

分词目标：

在词典中进行扫描，尽可能地选择与词典中最长单词匹配的词作为目标分词，然后进行下一次匹配。

在实践中，逆向最大匹配算法性能优于正向最大匹配算法。

算法流程：

假设词典中最长的单词为 5 个（MAX_LENGTH），那么最大匹配的起始子串字数也为 5 个

（1）扫描字典，测试读入的子串是否在字典中

（2）如果存在，则从输入中删除掉该子串，重新按照规则取子串，重复（1）

（3）如果不存在于字典中，则从左向右减少子串长度，重复（1）

分词实例：

比如说输入 “北京大学生前来应聘”，

1. 第一轮：取子串 “生前来应聘”，逆向取词，如果匹配失败，每次去掉匹配字段最前面的一个字
   
   • “生前来应聘”，扫描 5 字词典，没有匹配，字串长度减 1 变为“前来应聘”
   • “前来应聘”，扫描 4 字词典，没有匹配，字串长度减 1 变为“来应聘”
   • “来应聘”，扫描 3 字词典，没有匹配，字串长度减 1 变为“应聘”
   • “应聘”，扫描 2 字词典，有匹配，输出“应聘”，输入变为“大学生前来”
2. 第二轮：取子串“大学生前来”
   
   • “大学生前来”，扫描 5 字词典，没有匹配，字串长度减 1 变为“学生前来”
   • “学生前来”，扫描 4 字词典，没有匹配，字串长度减 1 变为“生前来”
   • “生前来”，扫描 3 字词典，没有匹配，字串长度减 1 变为“前来”
   • “前来”，扫描 2 字词典，有匹配，输出“前来”，输入变为“北京大学生”
3. 第三轮：取子串“北京大学生”
   
   • “北京大学生”，扫描 5 字词典，没有匹配，字串长度减 1 变为“京大学生”
   • “京大学生”，扫描 4 字词典，没有匹配，字串长度减 1 变为“大学生”
   • “大学生”，扫描 3 字词典，有匹配，输出“大学生”，输入变为