分词算法设计中的几个基本原则:

    1、颗粒度越大越好:用于进行语义分析的文本分词,要求分词结果的颗粒度越大,即单词的字数越多,所能表示的含义越确切,如:“公安局长”可以分为“公安 局长”、“公安局 长”、“公安局长”都算对,但是要用于语义分析,则“公安局长”的分词结果最好(当然前提是所使用的词典中有这个词)

    2、切分结果中非词典词越少越好,单字字典词数越少越好,这里的“非词典词”就是不包含在词典中的单字,而“单字字典词”指的是可以独立运用的单字,如“的”、“了”、“和”、“你”、“我”、“他”。例如:“技术和服务”,可以分为“技术 和服 务”以及“技术 和 服务”,但“务”字无法独立成词(即词典中没有),但“和”字可以单独成词(词典中要包含),因此“技术 和服 务”有1个非词典词,而“技术 和 服务”有0个非词典词,因此选用后者。

    3、总体词数越少越好,在相同字数的情况下,总词数越少,说明语义单元越少,那么相对的单个语义单元的权重会越大,因此准确性会越高。

     

    下面详细说说正向最大匹配法、逆向最大匹配法和双向最大匹配法具体是如何进行的:

    先说说什么是最大匹配法:最大匹配是指以词典为依据,取词典中最长单词为第一个次取字数量的扫描串,在词典中进行扫描(为提升扫描效率,还可以跟据字数多少设计多个字典,然后根据字数分别从不同字典中进行扫描)。例如:词典中最长词为“中华人民共和国”共7个汉字,则最大匹配起始字数为7个汉字。然后逐字递减,在对应的词典中进行查找。

    下面以“我们在野生动物园玩”详细说明一下这几种匹配方法:

    1、正向最大匹配法:

    正向即从前往后取词,从7->1,每次减一个字,直到词典命中或剩下1个单字。

    第1次:“我们在野生动物”,扫描7字词典,无

    第2次:“我们在野生动”,扫描6字词典,无

    。。。。

    第6次:“我们”,扫描2字词典,有

    扫描中止,输出第1个词为“我们”,去除第1个词后开始第2轮扫描,即:

    第2轮扫描:

    第1次:“在野生动物园玩”,扫描7字词典,无

    第2次:“在野生动物园”,扫描6字词典,无

    。。。。

    第6次:“在野”,扫描2字词典,有

    扫描中止,输出第2个词为“在野”,去除第2个词后开始第3轮扫描,即:

    第3轮扫描:

    第1次:“生动物园玩”,扫描5字词典,无

    第2次:“生动物园”,扫描4字词典,无

    第3次:“生动物”,扫描3字词典,无

    第4次:“生动”,扫描2字词典,有

    扫描中止,输出第3个词为“生动”,第4轮扫描,即:

    第4轮扫描:

    第1次:“物园玩”,扫描3字词典,无

    第2次:“物园”,扫描2字词典,无

    第3次:“物”,扫描1字词典,无

    扫描中止,输出第4个词为“物”,非字典词数加1,开始第5轮扫描,即:

    第5轮扫描:

    第1次:“园玩”,扫描2字词典,无

    第2次:“园”,扫描1字词典,有

    扫描中止,输出第5个词为“园”,单字字典词数加1,开始第6轮扫描,即:

    第6轮扫描:

    第1次:“玩”,扫描1字字典词,有

    扫描中止,输出第6个词为“玩”,单字字典词数加1,整体扫描结束。

    正向最大匹配法,最终切分结果为:“我们/在野/生动/物/园/玩”,其中,单字字典词为2,非词典词为1。

    2、逆向最大匹配法:

    逆向即从后往前取词,其他逻辑和正向相同。即:

    第1轮扫描:“在野生动物园玩”

    第1次:“在野生动物园玩”,扫描7字词典,无

    第2次:“野生动物园玩”,扫描6字词典,无

    。。。。

    第7次:“玩”,扫描1字词典,有

    扫描中止,输出“玩”,单字字典词加1,开始第2轮扫描

    第2轮扫描:“们在野生动物园”

    第1次:“们在野生动物园”,扫描7字词典,无

    第2次:“在野生动物园”,扫描6字词典,无

    第3次:“野生动物园”,扫描5字词典,有

    扫描中止,输出“野生动物园”,开始第3轮扫描

    第3轮扫描:“我们在”

    第1次:“我们在”,扫描3字词典,无

    第2次:“们在”,扫描2字词典,无

    第3次:“在”,扫描1字词典,有

    扫描中止,输出“在”,单字字典词加1,开始第4轮扫描

    第4轮扫描:“我们”

    第1次:“我们”,扫描2字词典,有

    扫描中止,输出“我们”,整体扫描结束。

    逆向最大匹配法,最终切分结果为:“我们/在/野生动物园/玩”,其中,单字字典词为2,非词典词为0。

    3、双向最大匹配法:

    正向最大匹配法和逆向最大匹配法,都有其局限性,我举得例子是正向最大匹配法局限性的例子,逆向也同样存在(如:长春药店,逆向切分为“长/春药店”),因此有人又提出了双向最大匹配法,双向最大匹配法。即,两种算法都切一遍,然后根据大颗粒度词越多越好,非词典词和单字词越少越好的原则,选取其中一种分词结果输出。

    如:“我们在野生动物园玩”

    正向最大匹配法,最终切分结果为:“我们/在野/生动/物/园/玩”,其中,两字词3个,单字字典词为2,非词典词为1。

    逆向最大匹配法,最终切分结果为:“我们/在/野生动物园/玩”,其中,五字词1个,两字词1个,单字字典词为2,非词典词为0。

    非字典词:正向(1)>逆向(0)(越少越好)

    单字字典词:正向(2)=逆向(2)(越少越好)

    总词数:正向(6)>逆向(4)(越少越好)

    因此最终输出为逆向结果。