C语言实现搜索引擎技术之中文分词

搜索引擎技术在码农眼里一直是比较高大上,其中文分词是中文自然语言处理领域的基础研究,也是中文搜索引擎的核心模块之一,现在我们来用C语言简单实现一下中文搜索引擎中文分词.

目前而言的分词系统绝大多数都是基于中文词典的匹配算法,其中,最为常见的是最大匹配算法(Maximum Matching,以下简称MM算法),而MM算法有三种:一种正向最大匹配、一种逆向最大匹配和双向匹配,本文以正向最大匹配算法为例介绍其基本思想和实现.

一、基本思想

(1)假设词典中最长的词语字数为w(一般设置为8个字符,即4个汉字).

(2)判断带分词语句长度是否大于w个字,如果大于w则跳到(3),如果小于w则跳到(6).

(3）取待分词语句的前w个字。

(4）在词典中查找w,如果存在,则从语句中去掉w,从语句中w后的词开始重复上面过程.

(5）如果不存在,就去掉这w个字的最后一个字.

(6）检查是否是单字或者空,如果是,则退出.

(7）如果不是,则继续判断词库中是否存在这个词,如此反复循环,直到输出一个词.

(8）继续取短语的前w个字反复循环,这样就可以将一个语句分成词语的组合了.

二、简单实现,代码如下:

1. #include <stdio.h> 
2. #include <string> 
3. #include <set> 
4. using namespace std; 
5. set<string> g_setWordDictionary; 
6.  
7. int construct() 
8. { 
9.     g_setWordDictionary.insert("中国"); 
10.     g_setWordDictionary.insert("中国人"); 
11.     g_setWordDictionary.insert("纽约"); 
12.     g_setWordDictionary.insert("北京"); 
13. } 
14.  
15. bool match(string &word) 
16. { 
17.     set<string>::iterator itor = g_setWordDictionary.find(word); 
18.     if (itor == g_setWordDictionary.end()) 
19.     { 
20.         return false; 
21.     } 
22.  
23.     return true; 
24. } 
25.  
26. void forward_maximum_matching(string content, set<string> &keywords)     
27. { 
28.     #define MAX_LEN 12      //词库中最长词语(utf-8一个汉字3个字节) 
29.     #define MIN_LEN 3       //单字(原理同上) 
30.     int len = content.length(); 
31.     int right_len = len; 
32.     int start_pos = 0; 
33.     bool ret = false; 
34.     string kw_value = ""; 
35.     int kw_len = 0; 
36.     int kw_pos = 0; 
37.     //单字或空串 
38.     while (right_len > MIN_LEN) 
39.     { 
40.         //语句大于词库中最长词语 
41.         if (right_len >= MAX_LEN) 
42.         { 
43.             kw_value = content.substr(start_pos, MAX_LEN); 
44.         } 
45.         //语句小于词库中最长词语 
46.         else 
47.         { 
48.             kw_value = content.substr(start_pos, right_len); 
49.         } 
50.  
51.         //词库匹配 
52.         ret = match(kw_value); 
53.         kw_len = kw_value.length(); 
54.         kw_pos = 0; 
55.         while (!ret && kw_len > 2*MIN_LEN) 
56.         { 
57.             //去掉候选词右边一个汉字 
58.             kw_len -= MIN_LEN; 
59.             kw_value = kw_value.substr(kw_pos, kw_len); 
60.             //继续匹配 
61.             ret = match(kw_value); 
62.         } 
63.  
64.         //匹配到词 
65.         if (ret) 
66.         { 
67.             keywords.insert(kw_value); 
68.             //从语句中去掉匹配到的词 
69.             start_pos += kw_len; 
70.             right_len = len - start_pos; 
71.         } 
72.         //未匹配到词，下移一个字 
73.         else 
74.         { 
75.             start_pos += MIN_LEN; 
76.             right_len = len - start_pos; 
77.         } 
78.     }//while (right_len > MIN_LEN)       
79. } 
80.  
81. int main() 
82. { 
83.     //构造词库 
84.     construct(); 
85.  
86.     //切分词库 
87.     string content = "我是中国人，我是来自中国北京的中国人，在纽约工作"; 
88.     set<string> keywords; 
89.     forward_maximum_matching(content, keywords); 
90.     set<string>::iterator itor; 
91.  
92.     //输出分词 
93.     for (itor=keywords.begin(); itor!=keywords.end(); ++itor) 
94.     { 
95.         printf("result: %sn", (*itor).c_str()); 
96.     }  //Vevb.com 
97.  
98.     return 0; 
99. }