IDC资讯中心
几个月之前,在网上找到了一个中文词库素材(几百k),当时便想写一个分词程序了.我对汉语分词没有什么研究,也就凭自己臆想而写.若有相关方面专家,还请多给意见.
一、词库
词库大概有5万多词语(google能搜到,类似的词库都能用),我摘要如下:
地区 82
重要 81
新华社 80
技术 80
会议 80
自己 79
干部 78
职工 78
群众 77
没有 77
今天 76
同志 76
部门 75
加强 75
组织 75
第一列是词,第二列是权重.我写的这个分词算法目前并未利用权重.
二、设计思路
算法简要描述:
对一个字符串s,从前到后扫描,对扫描的每个字,从词库中寻找最长匹配.比如假设s=”我是中华人民共和国公民”,词库中有”中华人民共和国”,”中华”,”公民”,”人民”,”共和国”……等词.当扫描到”中”字,那么从中字开始,向后分别取1,2,3,……个字(“中”,”中华”,”中华人”,”中华人民”,”中华人民共”,”中华人民共和”,”中华人民共和国”,,”中华人民共和国公”),词库中的最长匹配字符串是”中华人民共和国”,那么就此切分开,扫描器推进到”公”字.
数据结构:
选择什么样的数据结构对性能影响很大.我采用hashtable _roottable记录词库.键值对为(键,插入次数).对每一个词语,如果该词语有n个字,则将该词语的1,1~2,1~3,……1~n个字作为键,插入_roottable中.而同一个键如果重复插入,则后面的值递增.
三、程序
具体程序如下(程序中包含权重,插入次数等要素,目前的算法并没有利用这些.可以借此写出更有效的分词算法):
chinesewordunit.cs //struct–(词语,权重)对
1 public struct chinesewordunit
2 {
3 private string _word;
4 private int _power;
5
6 /**//// <summary>
7 /// 中文词语单元所对应的中文词。
8 /// </summary>
9 public string word
10 {
11 get
12 {
13 return _word;
14 }
15 }
16
17 /**//// <summary>
18 /// 该中文词语的权重。
19 /// </summary>
20 public int power
21 {
22 get
23 {
24 return _power;
25 }
26 }
27
28 /**//// <summary>
29 /// 结构初始化。
30 /// </summary>
31 /// <param name=”word”>中文词语</param>
32 /// <param name=”power”>该词语的权重</param>
33 public chinesewordunit(string word, int power)
34 {
35 this._word = word;
36 this._power = power;
37 }
38 }
chinesewordshashcountset.cs //词库容器
1 /**//// <summary>
2 /// 记录字符串出现在中文字典所录中文词语的前端的次数的字典类。如字符串“中”出现在“中国”的前端，则在字典中记录一个次数。
3 /// </summary>
4 public class chinesewordshashcountset
5 {
6 /**//// <summary>
7 /// 记录字符串在中文词语中出现次数的hashtable。键为特定的字符串，值为该字符串在中文词语中出现的次数。
8 /// </summary>
9 private hashtable _roottable;
10
11 /**//// <summary>
12 /// 类型初始化。
13 /// </summary>
14 public chinesewordshashcountset()
15 {
16 _roottable = new hashtable();
17 }
18
19 /**//// <summary>
20 /// 查询指定字符串出现在中文字典所录中文词语的前端的次数。
21 /// </summary>
22 /// <param name=”s”>指定字符串</param>
23 /// <returns>字符串出现在中文字典所录中文词语的前端的次数。若为-1，表示不出现。</returns>
24 public int getcount(string s)
25 {
26 if (!this._roottable.containskey(s.length))
27 {
28 return -1;
29 }
30 hashtable _temptable = (hashtable)this._roottable[s.length];
31 if (!_temptable.containskey(s))
32 {
33 return -1;
34 }
35 return (int)_temptable[s];
36 }
37
38 /**//// <summary>
39 /// 向次数字典中插入一个词语。解析该词语，插入次数字典。
40 /// </summary>
41 /// <param name=”s”>所处理的字符串。</param>
42 public void insertword(string s)
43 {
44 for(int i=0;i<s.length;i++)
45 {
46 string _s = s.substring(0,i+1);
47 this.insertsubstring(_s);
48 }
49 }
50
51 /**//// <summary>
52 /// 向次数字典中插入一个字符串的次数记录。
53 /// </summary>
54 /// <param name=”s”>所插入的字符串。</param>
55 private void insertsubstring(string s)
56 {
57 if (!_roottable.containskey(s.length)&&s.length>0)
58 {
59 hashtable _newhashtable = new hashtable();
60 _roottable.add(s.length,_newhashtable);
61 }
62 hashtable _temptable = (hashtable)_roottable[s.length];
63 if (!_temptable.containskey(s))
64 {
65 _temptable.add(s,1);
66 }
67 else
68 {
69 _temptable[s]=(int)_temptable[s]+1;
70 }
71 }
72 }
chineseparse.cs //分词器
1 /**//// <summary>
2 /// 中文分词器。
3 /// </summary>
4 public class chineseparse
5 {
6 private static chinesewordshashcountset _counttable;
7
8 static chineseparse()
9 {
10 _counttable = new chinesewordshashcountset();
11 initfromfile(“chinesedictionary.txt”);
12 }
13
14 /**//// <summary>
15 /// 从指定的文件中初始化中文词语字典和字符串次数字典。
16 /// </summary>
17 /// <param name=”filename”>文件名</param>
18 private static void initfromfile(string filename)
19 {
20 string path = directory.getcurrentdirectory() +@”\” + filename;
21 if (file.exists(path))
22 {
23 using (streamreader sr = file.opentext(path))
24 {
25 string s = “”;
26 while ((s = sr.readline()) != null)
27 {
28 chinesewordunit _tempunit = initunit(s);
29 _counttable.insertword(_tempunit.word);
30 }
31 }
32 }
33 }
34
35 /**//// <summary>
36 /// 将一个字符串解析为chinesewordunit。
37 /// </summary>
38 /// <param name=”s”>字符串</param>
39 /// <returns>解析得到的chinesewordunit</returns>
40 private static chinesewordunit initunit(string s)
41 {
42 regex reg = new regex(@”\s+”);
43 string[] temp = reg.split(s);
44 if (temp.length!=2)
45 {
46 throw new exception(“字符串解析错误：”+s);
47 }
48 return new chinesewordunit(temp[0],int32.parse(temp[1]));
49 }
50
51 /**//// <summary>
52 /// 分析输入的字符串，将其切割成一个个的词语。
53 /// </summary>
54 /// <param name=”s”>待切割的字符串</param>
55 /// <returns>所切割得到的中文词语数组</returns>
56 public static string[] parsechinese(string s)
57 {
58 int _length = s.length;
59 string _temp = string.empty;
60 arraylist _words = new arraylist();
61
62 for(int i=0;i<s.length;)
63 {
64 _temp = s.substring(i,1);
65 if (_counttable.getcount(_temp)>1)
66 {
67 int j=2;
68
69 for (;i+j<s.length+1&&_counttable.getcount(s.substring(i,j))>0;j++)
70 {
71 }
72 _temp = s.substring(i,j-1);
73 i = i + j – 2;
74 }
75 i++;
76 _words.add(_temp);
77 }
78
79 string[] _tempstringarray = new string[_words.count];
80 _words.copyto(_tempstringarray);
81 return _tempstringarray;
82 }
83 }
四、测试
和海量分词演示程序对比测试:
case 1: 新浪体育讯 在被尤文淘汰之后，皇马主帅博斯克拒绝接受媒体对球队后防线的批评，同时还为自己排出的首发阵容进行了辩护。“失利是全队的责任，而不仅仅是后防线该受指责，”博斯克说，“我并不认为我们踢得一塌糊涂。”“我们进入了半决赛，而且在晋级的道路上一路奋战。即使是今天的比赛我们也有几个翻身的机会，但我们面对的对手非常强大，他们踢得非常好。”“我们的球迷应该为过去几个赛季里我们在冠军杯中的表现感到骄傲。”博斯克还说。对于博斯克在首发中排出了久疏战阵的坎比亚索，赛后有记者提出了质疑，认为完全应该将队内的另一名球员帕文派遣上场以加强后卫线。对于这一疑议，博斯克拒绝承担所谓的“责任”，认为球队的首发没有问题。“我们按照整个赛季以来的方式做了，对于人员上的变化我没有什么可说的。”对于球队在本赛季的前景，博斯克表示皇马还有西甲联赛的冠军作为目标。“皇家马德里在冠军杯中战斗到了最后，我们在联赛中也将这么做。”
海量分词结果:
新浪 体育 讯 在 被 尤文 淘汰 之后 ， 皇马 主帅 博斯克 拒绝 接受 媒体 对 球队 后防线 的 批评 ， 同时 还 为 自己 排出 的 首发 阵容 进行 了 辩护 。 “ 失利 是 全队 的 责任 ， 而 不 仅仅 是 后防线 该 受 指责 ， ” 博斯克 说 ， “ 我 并 不 认为 我们 踢 得 一塌糊涂 。” “ 我们 进入 了 半决赛 ， 而且 在 晋级 的 道路 上 一路 奋战 。 即使 是 今天 的 比赛 我们 也 有 几个 翻身 的 机会 ， 但 我们 面对 的 对手 非常 强大 ， 他们 踢 得 非常 好 。” “ 我们 的 球迷 应该 为 过去 几个 赛季 里 我们 在 冠军 杯中 的 表现 感到 骄傲 。” 博斯克 还 说 。 对于 博斯克 在 首发 中 排出 了 久 疏 战阵 的 坎比亚索 ， 赛后 有 记者 提出 了 质疑 ， 认为 完全 应该 将 队 内 的 另 一名 球员 帕文 派遣 上场 以 加强 后卫线 。 对于 这 一 疑 议 ， 博斯克 拒绝 承担 所谓 的 “ 责任 ” ， 认为 球队 的 首发 没有 问题 。 “ 我们 按照 整个 赛季 以来 的 方式 做 了 ， 对于 人员 上 的 变化 我 没有 什么 可 说 的 。” 对于 球队 在 本 赛季 的 前景 ， 博斯克 表示 皇马 还有 西 甲 联赛 的 冠军 作为 目标 。 “ 皇家 马德里 在 冠军 杯中 战斗 到 了 最后 ， 我们 在 联赛 中 也 将 这么 做 。”
chineseparse分词结果:
新 浪 体育 讯 在 被 尤 文 淘汰 之后 ， 皇 马 主帅 博斯 克 拒绝 接受 媒体 对 球队 后防线 的 批评 ， 同时 还 为 自己 排 出 的 首发 阵容 进行 了 辩护 。“ 失利 是 全队 的 责任 ， 而 不仅仅 是 后防线 该 受 指责 ， ” 博斯 克 说 ， “ 我 并 不 认为 我们 踢 得 一塌糊涂 。 ” “ 我们 进入 了 半决赛 ， 而且 在 晋级 的 道路 上一 路 奋战 。 即使 是 今天 的 比赛 我们 也 有 几 个 翻身 的 机会 ， 但 我们 面对 的 对手 非常 强大 ， 他们 踢 得 非常 好 。 ” “ 我们 的 球迷 应该 为 过 去 几 个 赛季 里 我们 在 冠军杯 中 的 表现 感到 骄傲 。 ” 博斯 克 还 说 。对于 博斯 克 在 首发 中排 出 了 久 疏 战 阵 的 坎 比 亚 索 ， 赛后 有 记者 提出 了 质疑 ， 认为 完全 应该 将 队 内 的 另一 名 球员 帕 文 派遣 上场 以 加强 后卫线 。 对于 这一 疑 议 ， 博斯 克 拒绝 承担 所谓 的 “ 责任 ” ， 认为 球队 的 首发 没有 问题 。 “ 我们 按照 整个 赛季 以来 的 方式 做 了 ， 对于 人员 上 的 变化 我 没有 什么 可 说 的 。 ” 对于 球队 在 本赛 季 的 前景 ， 博斯 克 表示 皇 马 还有 西 甲 联赛 的 冠军 作为 目标 。 “ 皇家 马德里 在 冠军杯 中 战斗 到 了 最后 ， 我们 在 联赛 中 也 将 这么 做 。 ”
因为没有体育专业词库和人名专业词库,所以chineseparse不能认识这些专业词.
case 2: 我国汽车社会第一次重大转型历经十多年时间。在1994年出台的《汽车工业产业政策》中，最醒目的一条就是“逐步改变以行政机关、团体、事业单位及国有企业为主的公款购买、使用小汽车的消费结构”。从公款购买汽车为主到汽车逐渐进入家庭，第一次重大转型给人民生活质量带来了巨大提升。这次转型的主要推动力是态度鲜明的产业政策、持续高速增长的国民经济以及蓬勃发展的国内汽车工业。 然而，当我们快速迈进以私人汽车为主体的汽车社会的时候，也面临着新的形势、新的考验：中央强调树立和落实科学发展观，要求国内企业提高自主创新能力；今年“两会”期间，中央又提出构建和谐社会和节约型社会的精神；同时，我国汽车社会面临能源紧缺、燃油价格上涨、土地资源有限等诸多不利因素。在这样的大背景下，进行第二次重大转型刻不容缓。
海量分词结果:
我国 汽车 社会 第一次 重大 转型 历经 十多年 时间 。 在 1994年 出台 的 《 汽车 工业 产业 政策 》 中 ， 最 醒目 的 一条 就是 “ 逐步 改变 以 行政 机关 、 团体 、 事业 单位 及 国有 企业 为主 的 公款 购买 、 使用 小汽车 的 消费 结构 ” 。 从 公款 购买 汽车 为主 到 汽车 逐渐 进入 家庭 ， 第一次 重大 转型 给 人民 生活 质量 带来 了 巨大 提升 。 这次 转型 的 主要 推动力 是 态度 鲜明 的 产业 政策 、 持续 高速 增长 的 国民经济 以及 蓬勃 发展 的 国内 汽车 工业 。 然而 ， 当 我们 快速 迈进 以 私人 汽车 为 主体 的 汽车 社会 的 时候 ， 也 面临 着 新 的 形势 、 新 的 考验 ： 中央 强调 树立 和 落实 科学 发展观 ， 要求 国内 企业 提高 自主 创新 能力 ； 今年 “ 两会 ” 期间 ， 中央 又 提出 构建 和谐 社会 和 节约型 社会 的 精神 ； 同时 ， 我国 汽车 社会 面临 能源 紧缺 、 燃油 价格 上涨 、 土地 资源 有限 等 诸多 不利 因素 。 在 这样 的 大 背景 下 ， 进行 第二次 重大 转型 刻不容缓 。
chineseparse分词结果:
我国 汽车 社会 第一 次 重大 转型 历经 十 多年 时间 。 在 1 9 9 4 年 出台 的 《 汽车 工业 产业 政策 》 中 ， 最 醒目 的 一条 就是 “ 逐步 改变 以 行政 机关 、团体 、 事业 单位 及 国有 企业 为主 的 公款 购买 、 使用 小汽车 的 消费 结构 ”。 从 公款 购买 汽车 为主 到 汽车 逐渐 进入 家庭 ， 第一 次 重大 转型 给 人民 生活 质量 带来 了 巨大 提升 。 这次 转型 的 主要 推动力 是 态度 鲜明 的 产业 政策 、 持续 高速 增长 的 国民经济 以及 蓬勃 发展 的 国内 汽车 工业 。 然而 ， 当 我们 快速 迈进 以 私人 汽车 为主 体 的 汽车 社会 的 时候 ， 也 面临 着 新 的 形势 、 新 的 考验 ： 中央 强调 树立 和 落实 科学 发展观 ， 要求 国内 企业 提高 自主 创新 能力 ； 今年 “ 两会 ” 期间 ， 中央 又 提出 构建 和谐 社会 和 节约 型 社会 的 精神 ； 同时 ， 我国 汽车 社会 面临 能源 紧缺 、 燃油 价格 上涨 、 土地 资源 有限 等 诸多不 利 因素 。 在 这样 的 大 背景 下 ， 进行 第二 次 重大 转型 刻不容缓 。
可以看出,chineseparse不能智能处理”第一次”,”第二次”这种词,对数字也没识别能力,不过基本的分词效果还是可以的.
(毕竟我3个小时就把程序搞定了,怎么能和别人十年积累的比呢?)
性能测试(迅驰1.5m): 每秒钟67.7万字
程序优化有应该更高.
五、小结
进一步应该做的:
1,能识别简单的外语,数字
2,具备简单智能
3,扩充词库
然后就有实用价值了.
