敏感词过滤的算法原理之 Aho-Corasick 算法

简介

Aho-Corasick算法简称AC算法,通过将模式串预处理为确定有限状态自动机,扫描文本一遍就能结束。其复杂度为O(n),即与模式串的数量和长度无关。

思想

自动机按照文本字符顺序,接受字符,并发生状态转移。这些状态缓存了“按照字符转移成功(但不是模式串的结尾)”、“按照字符转移成功(是模式串的结尾)”、“按照字符转移失败”三种情况下的跳转与输出情况,因而降低了复杂度。

基本构造

AC算法中有三个核心函数,分别是:

success; 成功转移到另一个状态(也称goto表或success表)

failure; 不可顺着字符串跳转的话,则跳转到一个特定的节点(也称failure表),从根节点到这个特定的节点的路径恰好是失败前的文本的一部分。

emits; 命中一个模式串(也称output表)

举例

以经典的ushers为例,模式串是he/ she/ his /hers,文本为“ushers”。构建的自动机如图


敏感词过滤的算法原理之 Aho-Corasick 算法_第1张图片

其实上图省略了到根节点的fail边,完整的自动机如下图:


敏感词过滤的算法原理之 Aho-Corasick 算法_第2张图片

匹配过程

自动机从根节点0出发

首先尝试按success表转移(图中实线)。按照文本的指示转移,也就是接收一个u。此时success表中并没有相应路线,转移失败。

失败了则按照failure表回去(图中虚线)。按照文本指示,这次接收一个s,转移到状态3。

成功了继续按success表转移,直到失败跳转步骤2,或者遇到output表中标明的“可输出状态”(图中红色状态)。此时输出匹配到的模式串,然后将此状态视作普通的状态继续转移。

算法高效之处在于,当自动机接受了“ushe”之后,再接受一个r会导致无法按照success表转移,此时自动机会聪明地按照failure表转移到2号状态,并经过几次转移后输出“hers”。来到2号状态的路不止一条,从根节点一路往下,“h→e”也可以到达。而这个“he”恰好是“ushe”的结尾,状态机就仿佛是压根就没失败过(没有接受r),也没有接受过中间的字符“us”,直接就从初始状态按照“he”的路径走过来一样(到达同一节点,状态完全相同)。

构造过程

看来这三个表很厉害,不过,它们是怎么计算出来的呢?

goto表

很简单,了解一点trie树知识的话就能一眼看穿,goto表就是一棵trie树。把上图的虚线去掉,实线部分就是一棵trie树了。

敏感词过滤的算法原理之 Aho-Corasick 算法_第3张图片

output表

output表也很简单,与trie树里面代表这个节点是否是单词结尾的结构很像。不过trie树只有叶节点才有“output”,并且一个叶节点只有一个output。下图却违背了这两点,这是为什么呢?其实下图的output会在建立failure表的时候进行一次拓充。

敏感词过滤的算法原理之 Aho-Corasick 算法_第4张图片

以上两个表通过一个dfs就可以构造出来。关于trie树的更详细内容,请参考:《Ansj分词双数组Trie树实现与arrays.dic词典格式》,《Trie树分词》,《双数组Trie树(DoubleArrayTrie)Java实现》。

failure表

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,而像一个图了。failure表是状态与状态的一对一关系,别看图中虚线乱糟糟的,不过你仔细看看,就会发现节点只会发出一条虚线,它们严格一对一。

这个表的构造方法是:

首先规定与状态0距离为1(即深度为1)的所有状态的fail值都为0。

然后设当前状态是S1,求fail(S1)。我们知道,S1的前一状态必定是唯一的(刚才说的一对一),设S1的前一状态是S2,S2转换到S1的条件为接受字符C,测试S3= goto(fail(S2), C)。

如果成功,则fail(S1) = goto(fail(S2), C) = S3。

如果不成功,继续测试S4= goto(fail(S3), C)是否成功,如此重复,直到转换到某个有效的状态Sn,令fail(S1) = Sn。

Java实现

原理谁都可以说几句的,可是优雅健壮的代码却不是那么容易写的。我考察了Git上几个AC算法的实现,发现robert-bor的实现非常好。一趟代码看下来,学到了不少设计上的知识。我fork了下来,针对Ascii做了优化,添加了中文注释。

另外,我实现了基于双数组Trie树的AC自动机:《Aho Corasick自动机结合DoubleArrayTrie极速多模式匹配》。性能更高,内存可控。

```

//创建set集合

Set stringSet =new HashSet<>();

stringSet.add("高危");

stringSet.add("并发");

stringSet.add("江苏");

stringSet.add("彩信");

String[] value =new String[stringSet.size()];

stringSet.toArray(value);

Trie.TrieBuilder trieBuilder = Trie.builder();

if(false){

trieBuilder.stopOnHit();

}

for (String key:value) {

trieBuilder.addKeyword(key);

}

Trie trie = trieBuilder.build();

System.out.println("查看是否包含这些字样");

System.out.println(trie.containsMatch("江苏高危短信彩信锡"));

System.out.println("----------查看有哪些-----------------");

Collection emits = trie.parseText("江苏高危短信彩信锡");

for(Emit temp : emits)

{

System.out.println("包含集合:"+temp.getKeyword());

}

```

敏感词过滤的算法原理之 Aho-Corasick 算法_第5张图片

你可能感兴趣的:(敏感词过滤的算法原理之 Aho-Corasick 算法)