python中文分词教程之前向最大正向匹配算法详解

前言

大家都知道，英文的分词由于单词间是以空格进行分隔的，所以分词要相对的容易些，而中文就不同了，中文中一个句子的分隔就是以字为单位的了，而所谓的正向最大匹配和逆向最大匹配便是一种分词匹配的方法，这里以词典匹配说明。

最大匹配算法是自然语言处理中的中文匹配算法中最基础的算法，分为正向和逆向，原理都是一样的。

正向最大匹配算法，故名思意，从左向右扫描寻找词的最大匹配。

首先我们可以规定一个词的最大长度，每次扫描的时候寻找当前开始的这个长度的词来和字典中的词匹配，如果没有找到，就缩短长度继续寻找，直到找到或者成为单字。

下面话不多说了，来一起看看详细的介绍吧。

实例：

S1="计算语言学课程是三个课时" ,设定最大词长MaxLen = 5 ,S2= " "

字典中含有三个词：[计算语言学]、[课程]、[课时]

    （1）S2=""；S1不为空，从S1左边取出候选子串W="计算语言学"；

    （2）查词表，“计算语言学”在词表中，将W加入到S2中，S2=“计算语言学/ ”， 并将W从S1中去掉，此时S1="课程是三个课时"；

    （3）S1不为空，于是从S1左边取出候选子串W="课程是三个"；

    （4）查词表，W不在词表中，将W最右边一个字去掉，得到W="课程是三"；

    （5）查词表，W不在词表中，将W最右边一个字去掉，得到W="课程是"；

    （6）查词表，W不在词表中，将W最右边一个字去掉，得到W="课程"

    （7）查词表，W在词表中，将W加入到S2中，S2=“计算语言学/ 课程/ ”，并 将W从S1中去掉，此时S1="是三个课时"；

    （8）S1不为空，于是从S1左边取出候选子串W="是三个课时"；

    （9）查词表，W不在词表中，将W最右边一个字去掉，得到W="是三个课"；

    （10）查词表，W不在词表中，将W最右边一个字去掉，得到W="是三个"；

    （11）查词表，W不在词表中，将W最右边一个字去掉，得到W="是三"

    （12）查词表，W不在词表中，将W最右边一个字去掉，得到W=“是”，这时 W是单字，将W加入到S2中，S2=“计算语言学/ 课程/ 是/ ”，并将 W从S1中去掉，此时S1="三个课时"；

    （13）S1不为空，从S1左边取出候选子串W="三个课时"；

    （14）查词表，W不在词表中，将W最右边一个字去掉，得到W="三个课"；

    （15）查词表，W不在词表中，将W最右边一个字去掉，得到W="三个"；

    （16）查词表，W不在词表中，将W最右边一个字去掉，得到W=“三”，这时 W是单字，将W加入到S2中，S2=“计算语言学/ 课程/ 是/ 三/ ”，并 将W从S1中去掉，此时S1="个课时"；

    （17）S1不为空，从S1左边取出候选子串W="个课时"；

    （18）查词表，W不在词表中，将W最右边一个字去掉，得到W="个课"；

    （19）查词表，W不在词表中，将W最右边一个字去掉，得到W=“个”， 这时W是单字，将W加入到S2中，S2=“计算语言学/ 课程/ 是/ 三/ 个/ "，并将W从S1中去掉，此时S1="课时"；

    （20）S1不为空，从S1左边取出候选子串W="课时"；

    （21）查词表，W在词表中，将W加入到S2中，S2=“计算语言学/ 课程/ 是/ 三/ 个/ 课时/ "，并将W从S1中去掉，此时S1=""。

    （22）S1为空，输出S2作为分词结果，分词过程结束。

而至于为什么选择python这个语言呢？大概是因为我周围人用得少吧，我就想尝试突破，不过我也不讳言，我的C/C++，java等等高级语言用的也不多，虽说编程语言这个东西，基本上只要熟悉一个，其他的都好学，不过我在python上尝到了甜头，索性就用这个语言了。

中文分词算法的Python实现：

脚本接受两个参数，一个是输入文件的路径，另一个是词典的路径。

它的运行方法如下：

python max-match.py <data> <dict>

#!/usr/bin/env python
import cPickle as pickle
import sys

# 词语最大长度为5
window_size=5

def max_match_segment(line, dic):
# write your code here
chars = line.decode("utf8")
words = []
idx = 0
# 判断索引是否超过chars的长度
while idx < len(chars):
 matched = False
 for i in xrange(window_size, 0, -1):
  cand=chars[idx:idx+i].encode("utf8")
  if cand in dic:
   words.append(cand)
   matched = True
   break
 # 判断for中是否匹配到数据
 if not matched:
  i = 1
  words.append(chars[idx].encode("utf8"))
 idx += i

return words

if __name__=="__main__":

try:
 fpi=open(sys.argv[1], "r")
except:
 print >> sys.stderr, "failed to open file"
 sys.exit(1)

try:
 dic = pickle.load(open(sys.argv[2], "r"))
except:
 print >> sys.stderr, "failed to load dict ％s" ％ sys.argv[2]
 sys.exit(1)
try:
 fpo = open("out.txt","w")
except:
 print >> sys.stderr, "failed to load out.txt"
 sys.exit(1)
for line in fpi:
 fpo.write("\t".join( max_match_segment(line.strip(), dic) ))

当然，这只是最基础的，还可以有很多高级的优化，比如说改成Trie树版本的，控制最大词长度的等等。

来源：http://www.chenxm.cc/post/450.html