前向匹配算法和后向匹配算法(c#实现)

1 前向最大匹配算法

实例： 以“我们经常有意见分歧”这一句为例，进行分词，流程如下：

 

2 前向匹配算法的步骤

1. 设定最大匹配的字符串长度N；

2. 从index = word_len开始，选取N个字(符)；

3. 判断选取的字符串在语料库中是否存在，如果是，选中的字符分词成功，转到步骤（4），否则删除当前字符串中最后一个字符，循环步骤（3）直到分词成功。

4. 指针移动sentence_length-word_len位，重复步骤（3）；

注：其中，sentence_length表示整个待分词的句子长度，word_len位表示所有已经成功分词的字符串长度。

 

3 算法实现——c#

public static List<string> SplitSeq1(string senquence, List<string> corpus, int maxLength)
{
    var result = new List<string>();
    var alreadySplitWord = string.Empty;
    while (senquence.Length > 0)
    {
        var tempStr = senquence.Length >= maxLength ? senquence.Substring(0, maxLength) : senquence;
        
        // 逐个移除字符并匹配
        while (tempStr.Length > 0)
        {
            if (corpus.Contains(tempStr))
            {
                result.Add(tempStr);
                alreadySplitWord += tempStr;
                senquence = senquence.Remove(0, tempStr.Length);
                break;
            }
            tempStr = tempStr.Remove(tempStr.Length - 1, 1);
        }
    }

    return result;
}

public static string Print(List<string> words)
{
    var result = string.Empty;
    foreach (var item in words)
    {
        result += $"{item}|";
    }

    return result;
}

业务调用：

static void Main(string[] args)
{
    var corpus = new List<string>(){"我们", "经常", "有", "意见", "分歧"};
    var splitResult = SplitSeq1("我们经常有意见分歧", corpus, 5);
    var result = Print(splitResult);
    Console.WriteLine(result);
}

运行结果为：

4 后向匹配算法

以“我们经常有意见分歧”为例，对句子进行分词。

 图2 后向匹配算法流程

3 后向匹配算法实现(c#)

public static List<string> PostMatch(string sequence, List<string> corpus, int maxLength)
{
    var result = new List<string>();
    var handledWord = string.Empty;
    while (sequence.Length > 0)
    {
        int startIndex = sequence.Length - maxLength;
        var tempStr = sequence.Length >= maxLength ? sequence.Substring(startIndex, maxLength) : sequence;

        while (tempStr.Length > 0)
        {
            if (corpus.Contains(tempStr))
            {
                result.Add(tempStr);
                handledWord += tempStr;
                sequence = sequence.Remove(sequence.Length-tempStr.Length, tempStr.Length);
                break;
            }
            tempStr = tempStr.Remove(0, 1);
        }
    }

    return result;
}

public static string PostPrint(List<string> words)
{
    var result = string.Empty;
    for (int i = words.Count-1; i >=0; i--)
    {
        result += $"{words[i]}|";
    }

    return result;
}

运行结果为：

 注： 由于词库中词语字的重叠，有可能前向和后向匹配算法得到的结果不一样，但是一般而言，相似度比较大。

如， 假设上例中，给定的词库为：["我们", "经常", "意见", "分歧","常有","我","们","经","常", "有"]

前向匹配结果为： 我们| 经常| 有| 意见| 分歧

后向匹配结果为：我们| 经| 常有| 意见| 分歧