最近看最大熵看的不太懂，以下描述是本人对字分类算法的一些看法，各位看官说说自己的看法。（下文中，B代表词首、M代表词中、E代表词尾、S代表单字）
首先根据语料训练，得出每个字特征如下：
字本身作为B、M、E、S的概率
根据前一个字得出B\M\E\S的概率
根据后一个字得出B\M\E\S的概率
训练完成后对输入分词时要记入前一个字的B\M\E\S概率对当前字的影响，如当前为第一个字，则字为B的概率为1/2，为S的概率为1/2，M和E均为0
如要分词“我们都是中国人”
当前字为"我"，首先根据前一个字对当前字的影响，其概率值为
B=0.5  M=0  E=0  S=0.5
假设此时“我”字的本身作为B的概率为0.4，作为S的概率为0.6，其余均为0，加上后得到概率为  B=0.9  M=0  E=0  S=1.1
现在无法读取前一个字（现在是句首），读取后一个字“们”，根据“们”得出前面这个这个“我”字作为B的概率为1，其余均为0，则加上后得到B=1.9  M=0  E=0  S=1.1
此时将B\M\E\S均除以3得到B=0.64,M=0,E=0,S=0.36
得到“我”字的概率分布后计算“们”字的概率分布
此时根据前一个字，“们”字作为B\M\E\S的概率是均等的，所以此时B=0.25,M=0.25,E=0.25,S=0.25
根据“们”字本身的概率（假设为B=0,M=0.3,E=0.4,S=0.3），则加上前一次计算得到B=0.25,M=0.55,E=0.65,S=0.55，再根据前一个字“我”，得到概率分布（假设为B=0,M=0.5,E=0.5,S=0），相加得到B=0.25,M=1.05,E=1.15,S=0.55，在读取后面这个字“都”，假设模型中“都”对“们”没有约束条件，则根据最大熵原则，平均分布每个熵，加上上次的结果等于B=0.5,M=1.3,E=1.4,S=0.8，此时应将结果除以4，得到“们”字的概率分布，结果为B=0.13,M=0.33,E=0.36,S=0.23
此时应将“我”和“们”字的概率分布分别相乘得到
B->B=0.64*0.13=0.0832
B->M=0.64*0.33=0.2112
B->E=0.64*0.36=0.2304
B->S=0.64*0.23=0.1472
-----------------
S->B=0.36*0.13=0.0468
S->M=0.36*0.33=0.1188
S->E=0.36*0.36=0.1296
S->S=0.36*0.23=0.0828
（由于M和E均为0就不列出来了）

得出最大的概率结果应为B->E，所以“我们”应分为一个词。
其他字依次计算得出最后结果中最大的概率便是最大的分词可能。

回报完毕，大家说说是否可行。本人对最大熵没啥了解，仅限于知道其概念的程度。

咋没人讨论一下呢，今天又想到，这个算法最大的问题在于计算约束条件的概率……也就是上文说的“再根据前一个字“我”，得到概率分布（假设为B=0,M=0.5,E=0.5,S=0）”，想来想去，记起看最大熵的资料中提到的GIS算法，先平均分配概率，然后使用模型对语料进行评测，不断调高或降低概率分配再对语料进行评测直到模型收敛……据此应该是可以算出这个概率的

利用最大熵工具终于把分词器的f-score提到0.931了。 

finalseg 就是你说的这种算法的一个实现： https://github.com/fxsjy/finalseg
当然，有些小小的改进。