敏感词检测算法小结

序

本文简单介绍下敏感词或者脏词检测算法。

经典AC算法

经典的AC算法由三部分构成，goto表，fail表和output表，共包含四种具体的算法，分别是计算三张查找表的算法以及AC算法本身。

• goto表是由模式集合P中的所有模式构成的状态转移自动机。(goto表就是一棵trie树)
• failure表作用是在goto表中匹配失败后状态跳转的依据，这点与KMP中next表的作用相似。(这个表是trie树没有的，加了这个表，AC自动机就看起来不像一棵树，而像一个图)
• output表示输出，又称：emits，即代表到达某个状态后某个模式串匹配成功

AC自动机本质上来说是一种基于trie树的kmp算法，AC算法需要三个函数来进行字符串匹配，而且这三个函数的求解都和一个确定的DFA（有限状态自动机）有关。

普通DFA算法

确定性有穷自动机，用于正则表达式的匹配，最长左子式匹配

使用hashmap

public void createKeyWord(String keyWord) {
        Map nowMap = sensitiveWordMap;
        for (Character c : keyWord.toCharArray()) {
            Object obj = nowMap.get(c);
            if (obj == null) {
                Map childMap = new HashMap<>();
                childMap.put("isEnd", "false");
                nowMap.put(c, childMap);
                nowMap = childMap;
            } else {
                nowMap = (Map) obj;
            }
        }
        nowMap.put("isEnd", "true");
    }

使用自定义数据结构

public class WordNode {
    private int value; // 节点名称
    private List subNodes; // 子节点
    private boolean isLast;// 默认false

    public WordNode(int value) {
        this.value = value;
    }
    public WordNode(int value, boolean isLast) {
        this.value = value;
        this.isLast = isLast;
    }
    //......
}    

doc

• 字符串多模式匹配：AC算法
• Java实现DFA算法对敏感词、广告词过滤功能
• 敏感词过滤的算法原理之 Aho-Corasick 算法
• 敏感词过滤的算法原理之DFA算法
• AC自动机和Fail树
• 基于双数组的AC匹配算法学习