中文分词算法 之 基于词典的逆向最小匹配算法

在之前的博文中介绍了 基于词典的逆向最大匹配算法，比如我们切分句子: 中华人民共和国万岁万岁万万岁，使用逆向最大匹配算法的切分结果为：[中华人民共和国, 万岁, 万岁, 万万岁]，可以看到，切分出来的词是很长的，粒度很粗，如果我们想要切分出很细粒度的词，该怎么办呢？

本文介绍 逆向最小匹配算法，该算法和 逆向最大匹配算法相得益彰，一个强调细粒度，一个强调粗粒度。

使用 逆向最小匹配算法，必须 注意的一点是： 词典中不能有单字词，词的长度至少为2！我们看 逆向最小匹配算法和 逆向最大匹配算法的代码比较：

切分效果如下：

切分句子: 中华人民共和国万岁万岁万万岁
逆向最大匹配: [中华人民共和国, 万岁, 万岁, 万万岁]
逆向最小匹配: [中华, 人民, 共和国, 万岁, 万岁, 万, 万岁]
切分句子: 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]
逆向最小匹配: [杨尚川, 是, APDPlat, 应用, 级, 产品, 开发, 平台, 的, 作者]
切分句子: 美国加州大学的科学家发现
逆向最大匹配: [美国加州大学, 的, 科学家, 发现]
逆向最小匹配: [美国, 加州, 大学, 的, 科, 学家, 发现]

代码托管于GITHUB

参考资料：

1、 中文分词十年回顾

2、 中文信息处理中的分词问题

3、 汉语自动分词词典机制的实验研究

4、 由字构词_中文分词新方法

5、 汉语自动分词研究评述

NUTCH/HADOOP视频教程