Ansj中文分词说明

Ansj分词

这是一个基于n-Gram+条件随机场模型的中文分词的java实现.

分词速度达到每秒钟大约200万字左右（mac air下测试），准确率能达到96%以上

目前实现了.中文分词. 中文姓名识别 . 用户自定义词典

可以应用到自然语言处理等方面,适用于对分词效果要求高的各种项目.

源码：https://github.com/NLPchina/ansj_seg

四种分词模式

基本分词是什么

基本就是保证了最基本的分词.词语颗粒度最非常小的.所涉及到的词大约是10万左右.

基本分词速度非常快.在macAir上.能到每秒300w字每秒.同时准确率也很高.但是对于新词他的功能十分有限

基本分词具有什么功能

用户自定义词典	数字识别	人名识别	机构名识别	新词发现
Χ	√	Χ	Χ	Χ

精准分词是什么

        精准分词是Ansj分词的推荐款

        它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.

        如果你初次赏识Ansj如果你想开箱即用.那么就用这个分词方式是不会错的.

精准分词具有什么功能

用户自定义词典	数字识别	人名识别	机构名识别	新词发现
√	√	√	Χ	Χ

NLP分词是什么

        nlp分词是总能给你惊喜的一种分词方式.

        它可以识别出未登录词.但是它也有它的缺点.速度比较慢.稳定性差.ps:我这里说的慢仅仅是和自己的其他方式比较.应该是40w字每秒的速度吧.

        个人觉得nlp的适用方式.1.语法实体名抽取.未登录词整理.只要是对文本进行发现分析等工作

NLP分词具有什么功能

用户自定义词典	数字识别	人名识别	机构名识别	新词发现
√	√	√	√	√

面向索引的分词是什么

面向索引的分词。故名思议就是适合在lucene等文本检索中用到的分词。 主要考虑以下两点

• 召回率
  • 召回率是对分词结果尽可能的涵盖。比如对“上海虹桥机场南路” 召回结果是[上海/ns, 上海虹桥机场/nt, 虹桥/ns, 虹桥机场/nz, 机场/n, 南路/nr]
• 准确率
  • 其实这和召回本身是具有一定矛盾性的Ansj的强大之处是很巧妙的避开了这两个的冲突 。比如我们常见的歧义句“旅游和服务”->对于一般保证召回 。大家会给出的结果是“旅游 和服 服务” 对于ansj不存在跨term的分词。意思就是。召回的词只是针对精准分词之后的结果的一个细分。比较好的解决了这个问题

分词具有什么功能

用户自定义词典	数字识别	人名识别	机构名识别	新词发现
√	√	√	Χ	Χ

词性标注

    Ansj词性标注是基于HMM的。主要利用了ngram的方式，相对而言作的还是比较粗

分词实现步骤

    Ansj分词可以说是一个ictclas的Java版本，基本原理一致，只不过在分词优化算法上做了一些改进。

实现分词有以下几个步骤： 

1. 全切分，原子切分；
2. N最短路径的粗切分，根据隐马尔科夫模型和viterbi算法，达到最优路径的规划；
3. 人名识别；
4. 系统词典补充；
5. 用户自定义词典的补充；
6. 词性标注（可选）

分词流程详解

    默认分词模式是ToAnalysis，以此为例来查看一下ansj的分词实现流程。

示例：

    深圳鹏元征信有限公司 

     分词结果： 深圳/ns, 鹏/nr, 元/q, 征信/nz, 有限公司/n

先来看一下最基本的一些元素结构类。

Term类的成员：

private static final long serialVersionUID = 1L;
// 当前词
private String name;
//
private String realName;
// 当前词的起始位置
private int offe;
// 词性列表
private TermNatures termNatures = TermNatures.NULL;
// 词性列表
private AnsjItem item = AnsjItem.NULL;
// 同一行内数据
private Term next;
// 分数
private double score = 0;
// 本身分数
private double selfScore = 1;
// 起始位置
private Term from;
// 到达位置
private Term to;
// 本身这个term的词性.需要在词性识别之后才会有值,默认是空
private Nature nature = Nature.NULL;

private List<Term> subTerm = null;

进入Graph构建最短路径，Graph的类成员：

public char[] chars = null;
public String realStr = null;
public Term[] terms = null;
protected Term end = null;
protected Term root = null;
protected static final String E = "末##末";
protected static final String B = "始##始";
// 是否有人名
public boolean hasPerson;
// 是否有数字
public boolean hasNum;

Graph.chars=

查找第一个字：深

在core.dic中是

28145   深  156288 -1 2  {a=103, an=2, d=34, j=9, ng=0}

返回值为：

其他类似。

Item类：

protected String name;
protected byte   status;
protected int    base = 65536;
protected int    index;
protected int    check;

所有实词都是status是3的base都是65536.

分词逻辑如下：

default:
   start = i;
   end = i;
   c = chars[start];
   while (IN_SYSTEM[c] > 0) {
      end++;
      if (++i >= endOffe)
         break;
      c = chars[i];
   }

   if (start == end) {
      gp.addTerm(new Term(String.valueOf(c), i, TermNatures.NULL));
      continue;
   }

   gwi.setChars(chars, start, end);
   while ((str = gwi.allWords()) != null) {
      gp.addTerm(new Term(str, gwi.offe, gwi.getItem()));
   }

   /**
    * 如果未分出词.以未知字符加入到gp中
    */
   if (IN_SYSTEM[c] > 0 || status(c) > 3 || Character.isHighSurrogate(chars[i]) ) {
      i -= 1;
   } else {
      gp.addTerm(new Term(String.valueOf(c), i, TermNatures.NULL));
   }

   break;
}

具体体现是，第一轮，与词库core.dic匹配后，terms加载为：

第二轮，标准分词，

/**
 * 干涉性增加相对权重
 * 
 * @param relationMap
 */
public void walkPath(Map<String, Double> relationMap) {
   Term term = null;
   // BEGIN先行打分
   merger(root, 0, relationMap);
   // 从第一个词开始往后打分
   for (int i = 0; i < terms.length; i++) {
      term = terms[i];
      while (term != null && term.from() != null && term != end) {
         int to = term.toValue();
         merger(term, to, relationMap);
         term = term.next();
      }
   }
   optimalRoot();
}

从前往后遍历打分，逻辑为

/**
 * 具体的遍历打分方法
 * 
 * @param i
 *            起始位置
 * @param j
 *            起始属性
 * @param to
 */
private void merger(Term fromTerm, int to, Map<String, Double> relationMap) {
   Term term = null;
   if (terms[to] != null) {
      term = terms[to];
      while (term != null) {
         // 关系式to.set(from)
         term.setPathScore(fromTerm, relationMap);
         term = term.next();
      }
   } else {
      char c = chars[to];
      TermNatures tn = DATDictionary.getItem(c).termNatures;
      if (tn == null || tn == TermNatures.NULL) {
         tn = TermNatures.NULL;
      }
      terms[to] = new Term(String.valueOf(c), to, tn);
      terms[to].setPathScore(fromTerm, relationMap);
   }
}

计算的结果是：

取term.next!=null 的组合成词，计算成词分数时用到维特比算法，

// 维特比进行最优路径的构建
double score = MathUtil.compuScore(from, this, relationMap);

如“深”：next：深圳；  

   “有”：next：有限

这一轮计算后得到terms结果为：

详细成词过程图解：

第三轮，经过人名识别，用户自定义词典的识别，识别出专业名词“征信”/nz：

故，最终结果是  深圳/ns, 鹏/nr, 元/q, 征信/nz, 有限公司/n  。