C#分词算法

C#分词算法

 

分词算法的正向和逆向非常简单，设计思路可以参考这里:

中文分词入门之最大匹配法 我爱自然语言处理  http://www.52nlp.cn/maximum-matching-method-of-chinese-word-segmentation

 

正向最大匹配，简单来说，就是分词的时候，每次读取最大长度，比如7个字。然后去词典看，有没有这个词，没有，就减少一个字，再去词典找有没有这个词。
如此循环，直到找到为止。然后继续从字符串读取7个字，再去词典匹配，如此循环。直到整个字符串处理完毕。

逆向就是反过来，从右往左匹配，思路一样，不过分词之后，要反转排序，才是正常人的阅读顺序。

一般来说，逆向匹配，比正向匹配准确率高不少。
但是，在使用搜狗拼音的17万词库作为词典后，正向匹配的准确率，明显比逆向匹配高。

原因是，搜狗拼音的词库，为了处理生活中非常随意的文字输入，每次输入一个随意的短语或者错别字，就创建了一个新词。因此，这个词库有大量废词和错词。

比如：

yao4 zhuang1
要装


yao4 zhuang1 qu1 dong4
要装驱动


yao4 zhuang4 tai4
要状态


yao4 zhui1 cha2
要追查

 

逆向分词的时候，无数的废词，会导致分词选择比较乱。但如果是刚装的搜狗拼音输入法，并导出词库，应该就没有这些问题了。

而双向匹配，就是进行正向 + 逆向匹配。
如果 正反向分词结果一样，说明没有歧义，就是分词成功。
如果 正反向结果不一样，说明有歧义，就要处理。

双向匹配，关键就在消除歧义的方法上。
常见的歧义消除方法，比如，从正反向的分词结果中：选择分词数量较少的那个 或者 选择单字较少的那个 或者 选择分词长度方差最小的那个。

还有个据说效果很好的方法是：罚分策略。
简单来说，就是有很多中文字，几乎是永远不会单独出现的，总是作为一个词出现。那么，就单独做个字典，把这些字加进去。
如果分词结果中，包含这样的单字，说明这个分词结果有问题，就要扣分。每出现一个，就扣一分。正反分词结果经过扣分之后，哪个扣分少，哪个就是最优结果。

这个策略听起来很凭感觉，很麻烦。但我发现这个思路可以用于解决一个很头痛的问题：多音字。

多音字，按道理，就不应该单独出现，不然鬼知道它应该读什么。
因此，通过检查分词结果中，是否存在单独的多音字，就知道分词结果是否优秀。
中文的多音字是如此之多，因此这个办法效果应该会相当不错。

而我自己，则小小创新了一下，做了个贪吃蛇法，来消除歧义。

思路是这样的：要进行分词的字符串，就是食物。有2个贪吃蛇，一个从左向右吃；另一个从右向左吃。只要左右分词结果有歧义，2条蛇就咬下一口。贪吃蛇吃下去的字符串，就变成分词。

 如果左右分词一直有歧义，两条蛇就一直吃。两条蛇吃到字符串中间交汇时，就肯定不会有歧义了。
这时候，左边贪吃蛇肚子里的分词，中间没有歧义的分词，右边贪吃蛇肚子里的分词，3个一拼，就是最终的分词结果。

程序上，是这样的：
对字符串进行左右（正反）分词，如果有歧义，就截取字符串两头的第一个分词，作为最终分词结果的两头。

两头被各吃一口的字符串，就变短了。这个变短的字符串，重新分词，再次比较左右分词有没有歧义。

如果一直有歧义，就一直循环。直到没有歧义，或者字符串不断被从两头截短，最后什么也不剩下，也就不可能有歧义了。

这个方法，就是把正向分词结果的左边，和反向分词结果的右边，不断的向中间进行拼接，最终得到分词结果。

算法设计原因：
我发现，人在阅读中文的时候，并不完全是从左向右读的。
当一句话有重大歧义，大脑不能立马找到合理解释的时候，会本能的开始尝试从后往前去看这句话，试图找到一个合理的解释。

就像中学生做数学证明题时，正向推导很困难，就会尝试逆向推导。然后发现，正向推导的中间产物 和 逆向推导的中间产物，刚好一致，于是证明题完成。

这个贪吃蛇算法，就是基于这个原因而设计。

不过我暂时没法去验证这个算法是否真的优越。
因为我没有去优化词库。。。现在用的是我从搜狗拼音导出来的原生词库，里面有我多年上网形成的无数错别字词条。。。而且由于我个人的兴趣偏向，我导出的词库，缺少大量常用词。比如“名著”这个词。这辈子没用到过。。。

最后，贴上这个分词算法类的完整代码，直接就能用：

包含了 正反向最大匹配，双向匹配，以及贪吃蛇消除歧义法

 

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace TextToPinyin.Helper
{
    /// 

    /// 分词算法
    /// 
    static class Segmentation
    {
        /// 

        /// 用最大匹配算法进行分词，正反向均可。
        /// 为了节约内存，词典参数是引用传递
        /// 
        /// 要进行分词的字符串
        /// 词典
        /// true为从左到右分词，false为从右到左分词
        /// 每个分词的最大长度
        /// 储存了分词结果的字符串数组
        public static List SegMM(string inputStr, ref List wordList, bool leftToRight, int maxLength)
        {
            //指定词典不能为空
            if (wordList == null)
                return null;

            //指定要分词的字符串也不能为空
            if (string.IsNullOrEmpty(inputStr))
                return null;

            //取词的最大长度，必须大于0
            if (!(maxLength > 0))
                return null;

            //分词的方向，true=从左到右,false=从右到左

            //用于储存正向分词的字符串数组
            List segWords = new List();
            //用于储存逆向分词的字符串数组
            List segWordsReverse = new List();

            //用于尝试分词的取词字符串
            string word = "";


            //取词的当前长度
            int wordLength = maxLength;

            //分词操作中，处于字符串中的当前位置
            int position = 0;

            //分词操作中，已经处理的字符串总长度
            int segLength = 0;

            //开始分词，循环以下操作，直到全部完成
            while (segLength < inputStr.Length)
            {
                //如果还没有进行分词的字符串长度，小于取词的最大长度，则只在字符串长度内处理
                if ((inputStr.Length - segLength) < maxLength)
                    wordLength = inputStr.Length - segLength;
                //否则，按最大长度处理
                else
                    wordLength = maxLength;

                //从左到右 和 从右到左截取时，起始位置不同
                //刚开始，截取位置是字符串两头，随着不断循环分词，截取位置会不断推进
                if (leftToRight)
                    position = segLength;
                else
                    position = inputStr.Length - segLength - wordLength;

                //按照指定长度，从字符串截取一个词
                word = inputStr.Substring(position, wordLength);


                //在字典中查找，是否存在这样一个词
                //如果不包含，就减少一个字符，再次在字典中查找
                //如此循环，直到只剩下一个字为止
                while (!wordList.Contains(word))
                {
                    //如果只剩下一个单字，就直接退出循环
                    if (word.Length == 1)
                        break;

                    //把截取的字符串，最边上的一个字去掉
                    //注意，从左到右 和 从右到左时，截掉的字符的位置不同
                    if (leftToRight)
                        word = word.Substring(0, word.Length - 1);
                    else
                        word = word.Substring(1);
                }

                //将分出的词，加入到分词字符串数组中，正向和逆向不同
                if (leftToRight)
                    segWords.Add(word);
                else
                    segWordsReverse.Add(word);

                //已经完成分词的字符串长度，要相应增加
                segLength += word.Length;

            }

            //如果是逆向分词，还需要对分词结果反转排序
            if (!leftToRight)
            {
                for (int i = 0; i < segWordsReverse.Count; i++)
                {
                    //将反转的结果，保存在正向分词数组中
                    segWords.Add(segWordsReverse[segWordsReverse.Count - 1 - i]);
                }
            }

            //返回储存着正向分词的字符串数组
            return segWords;

        }

        /// 

        /// 用最大匹配算法进行分词，正反向均可，每个分词最大长度是7。
        /// 为了节约内存，词典参数是引用传递
        /// 
        /// 要进行分词的字符串
        /// 词典
        /// true为从左到右分词，false为从右到左分词
        /// 储存了分词结果的字符串数组
        public static List SegMM(string inputStr, ref List wordList, bool leftToRight)
        {
            return SegMM(inputStr, ref wordList, leftToRight, 7);
        }

        /// 

        /// 用最大匹配算法进行分词，正向，每个分词最大长度是7。
        /// 为了节约内存，词典参数是引用传递
        /// 
        /// 要进行分词的字符串
        /// 词典
        /// 储存了分词结果的字符串数组
        public static List SegMMLeftToRight(string inputStr, ref List wordList)
        {
            return SegMM(inputStr, ref wordList, true, 7);
        }

        /// 

        /// 用最大匹配算法进行分词，反向，每个分词最大长度是7。
        /// 为了节约内存，词典参数是引用传递
        /// 
        /// 要进行分词的字符串
        /// 词典
        /// 储存了分词结果的字符串数组
        public static List SegMMRightToLeft(string inputStr, ref List wordList)
        {
            return SegMM(inputStr, ref wordList, false, 7);
        }

        /// 

        /// 比较两个字符串数组，是否所有内容完全相等。
        /// 为了节约内存，参数是引用传递
        /// 
        /// 待比较字符串数组01
        /// 待比较字符串数组02
        /// 完全相同返回true
        private static bool CompStringList(ref List strList1, ref List strList2)
        {
            //待比较的字符串数组不能为空
            if (strList1 == null || strList2 == null)
                return false;

            //待比较的字符串数组长度不同，就说明不相等
            if (strList1.Count != strList2.Count)
                return false;
            else
            {
                //逐个比较数组中，每个字符串是否相同
                for (int i = 0; i < strList1.Count; i++)
                {
                    //只要有一个不同，就说明字符串不同
                    if (strList1[i] != strList2[i])
                        return false;
                }
            }

            return true;
        }

        /// 

        /// 用最大匹配算法进行分词，双向，每个分词最大长度是7。
        /// 为了节约内存，字典参数是引用传递
        /// 
        /// 要进行分词的字符串
        /// 词典
        /// 储存了分词结果的字符串数组
        public static List SegMMDouble(string inputStr, ref List wordList)
        {

            //用于储存分词的字符串数组
            //正向
            List segWordsLeftToRight = new List();

            //逆向
            List segWordsRightToLeft = new List();

            //定义拼接后的分词数组
            List segWordsFinal = new List();

            //用于保存需要拼接的左、右、中间分词碎块
            List wordsFromLeft = new List();
            List wordsFromRight = new List();
            List wordsAtMiddle = new List();

            //通过循环，进行正反向分词，如果有歧义，就截短字符串两头，继续分词，直到消除歧义，才结束
            //整个思路就像贪吃蛇，从两头，一直吃到中间，把一个字符串吃完。
            //
            //每次循环，得到正反向分词后，进行比较，判断是否有歧义
            //如果没有歧义，贪吃蛇就不用继续吃了，把分词结果保存，待会用于拼接
            //如果有歧义，就取正向分词的第一个词，和反向分词的最后一个词，拼接到最终分词结果的头尾
            //而输入字符串，则相应的揭短掉头尾，得到的子字符串，重新进行正反向分词
            //如此循环，直到完成整个输入字符串
            //
            //循环结束之后，就是把上面"贪吃蛇"吃掉的左、右分词结果以及没有歧义的中间分词结果，拼接起来。

            //进行正反向分词
            //正向
            segWordsLeftToRight = SegMMLeftToRight(inputStr, ref wordList);

            //逆向
            segWordsRightToLeft = SegMMRightToLeft(inputStr, ref wordList);

            //判断两头的分词拼接，是否已经在输入字符串的中间交汇，只要没有交汇，就不停循环
            while ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count-1].Length) < inputStr.Length)
            {

                //如果正反向的分词结果相同，就说明没有歧义，可以退出循环了
                //正反向分词中，随便取一个，复制给middle的临时变量即可
                if (CompStringList(ref segWordsLeftToRight, ref segWordsRightToLeft))
                {
                    wordsAtMiddle = segWordsLeftToRight.ToList();
                    break;
                }

                //如果正反向分词结果不同，则取分词数量较少的那个，不用再循环
                if (segWordsLeftToRight.Count < segWordsRightToLeft.Count)
                {
                    wordsAtMiddle = segWordsLeftToRight.ToList();
                    break;
                }
                else if (segWordsLeftToRight.Count > segWordsRightToLeft.Count)
                {
                    wordsAtMiddle = segWordsRightToLeft.ToList();
                    break;
                }

                //如果正反分词数量相同，则返回其中单字较少的那个，也不用再循环
                {
                    //计算正向分词结果中，单字的个数
                    int singleCharLeftToRight = 0;
                    for (int i = 0; i < segWordsLeftToRight.Count; i++)
                    {
                        if (segWordsLeftToRight[i].Length == 1)
                            singleCharLeftToRight++;
                    }

                    //计算反向分词结果中，单字的个数
                    int singleCharRightToLeft = 0;
                    for (int j = 0; j < segWordsRightToLeft.Count; j++)
                    {
                        if (segWordsRightToLeft[j].Length == 1)
                            singleCharRightToLeft++;
                    }

                    //比较单字个数多少，返回单字较少的那个
                    if (singleCharLeftToRight < singleCharRightToLeft)
                    {
                        wordsAtMiddle = segWordsLeftToRight.ToList();
                        break;
                    }
                    else if (singleCharLeftToRight > singleCharRightToLeft)
                    {
                        wordsAtMiddle = segWordsRightToLeft.ToList();
                        break;
                    }
                }


                //如果以上措施都不能消除歧义，就需要继续循环

                //将正向"贪吃蛇"的第一个分词，放入临时变量中，用于结束循环后拼接
                wordsFromLeft.Add(segWordsLeftToRight[0]);
                //将逆向"贪吃蛇"的最后一个分词，放入临时变量，用于结束循环后拼接
                wordsFromRight.Add(segWordsRightToLeft[segWordsRightToLeft.Count-1]);

                //将要处理的字符串从两头去掉已经分好的词
                inputStr = inputStr.Substring(segWordsLeftToRight[0].Length);
                inputStr = inputStr.Substring(0, inputStr.Length - segWordsRightToLeft[segWordsRightToLeft.Count - 1].Length);

                //继续次循环分词
                //分词之前，清理保存正反分词的变量，防止出错
                segWordsLeftToRight.Clear();
                segWordsRightToLeft.Clear();

                //进行正反向分词
                //正向
                segWordsLeftToRight = SegMMLeftToRight(inputStr, ref wordList);

                //逆向
                segWordsRightToLeft = SegMMRightToLeft(inputStr, ref wordList);

            }

            //循环结束，说明要么分词没有歧义了，要么"贪吃蛇"从两头吃到中间交汇了
            //如果是在中间交汇，交汇时的分词结果，还要进行以下判断：
            //如果中间交汇有重叠了：
            //   正向第一个分词的长度 + 反向最后一个分词的长度 > 输入字符串总长度，就直接取正向的
            //   因为剩下的字符串太短了，2个分词就超出长度了
            if ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count-1].Length) > inputStr.Length)
            {
                wordsAtMiddle = segWordsLeftToRight.ToList();
            }
            //如果中间交汇，刚好吃完，没有重叠：
            //   正向第一个分词 + 反向最后一个分词的长度 = 输入字符串总长度，那么正反向一拼即可
            else if ((segWordsLeftToRight[0].Length + segWordsRightToLeft[segWordsRightToLeft.Count - 1].Length) == inputStr.Length)
            {
                wordsAtMiddle.Add(segWordsLeftToRight[0]);
                wordsAtMiddle.Add(segWordsRightToLeft[segWordsRightToLeft.Count - 1]);
            }

            //将之前"贪吃蛇"正反向得到的分词，以及中间没有歧义的分词，进行合并。
            //将左边的贪吃蛇的分词，添加到最终分词词组
            foreach (string wordLeft in wordsFromLeft)
            {
                segWordsFinal.Add(wordLeft);
            }
            //将中间没有歧义的分词，添加到最终分词词组
            foreach (string wordMiddle in wordsAtMiddle)
            {
                segWordsFinal.Add(wordMiddle);
            }
            //将右边的贪吃蛇的分词，添加到最终分词词组，注意，右边的添加是逆向的
            for (int i = 0; i < wordsFromRight.Count; i++ )
            {
                segWordsFinal.Add(wordsFromRight[wordsFromRight.Count-1-i]);
            }

            //返回完成的最终分词
            return segWordsFinal;

        }
        

    }
}

 

 

 

出处：https://my.oschina.net/butaixianran/blog/164042

====================================================

 

本文用到的库下载：点此下载

词库下载：点此下载

将词库直接放到项目根目录

词库设置如下：

类库说明

词库查看程序：点此下载

可以在上面的程序中添加常用行业词库 还可以通过下面的类在程序中实现

完整的盘古release：点此下载

最新字典文件下载位置
http://pangusegment.codeplex.com/releases/view/47411
默认字典位置为 ..\Dictionaries 你可以通过设置PanGu.xml 文件来修改字典的位置
Demo.exe 分词演示程序
DictManage.exe 字典管理程序
PanGu.xml 分词配置文件
PanGu.HighLight.dll 高亮组件

 

Lucene.Net

Lucene.net是Lucene的.net移植版本，是一个开源的全文检索引擎开发包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，是一个Library.你也可以把它理解为一个将索引,搜索功能封装的很好的一套简单易用的API(提供了完整的查询引擎和索引引擎)。利用这套API你可以做很多有关搜索的事情,而且很方便.。开发人员可以基于Lucene.net实现全文检索的功能。

注意：Lucene.Net只能对文本信息进行检索。如果不是文本信息，要转换为文本信息，比如要检索Excel文件，就要用NPOI把Excel读取成字符串，然后把字符串扔给Lucene.Net。Lucene.Net会把扔给它的文本切词保存，加快检索速度。

ok,接下来就细细详解下士怎样一步一步实现这个效果的。

Lucene.Net 核心——分词算法（Analyzer）

学习Lucune.Net，分词是核心。当然最理想状态下是能自己扩展分词，但这要很高的算法要求。Lucene.Net中不同的分词算法就是不同的类。所有分词算法类都从Analyzer类继承，不同的分词算法有不同的优缺点。

内置的StandardAnalyzer是将英文按照空格、标点符号等进行分词，将中文按照单个字进行分词，一个汉字算一个词

namespace EazyCMS.Common
{
    /// 

    /// 分词类
    /// 
    public class Participle
    {
        public List list = new List();
        public  void get_participle()
        {
            Analyzer analyzer = new StandardAnalyzer();  
                TokenStream tokenStream = analyzer.TokenStream("",new StringReader("Hello Lucene.Net,我1爱1你China"));  
                Lucene.Net.Analysis.Token token = null;  
                while ((token = tokenStream.Next()) != null)  
                {
                //Console.WriteLine(token.TermText());  
                string s = token.TermText();
                } 


           
        }
    }
}

二元分词算法，每两个汉字算一个单词，“我爱你China”会分词为“我爱 爱你 china”，点击查看二元分词算法CJKAnalyzer。

namespace EazyCMS.Common
{
    /// 

    /// 分词类
    /// 
    public class Participle
    {
        public List list = new List();
        public  void get_participle()
        {
           
            //Er
            Analyzer analyzer = new CJKAnalyzer();
            TokenStream tokenStream = analyzer.TokenStream("", new StringReader("我爱你中国China中华人名共和国"));
            Lucene.Net.Analysis.Token token = null;
            while ((token = tokenStream.Next()) != null)
            {
                Response.Write(token.TermText() + "
");
            }

        }
    }
}

这时，你肯定在想，上面没有一个好用的，二元分词算法乱枪打鸟，很想自己扩展Analyzer，但并不是算法上的专业人士。怎么办？

天降圣器，盘古分词，

盘古分词的用法 首先引用以上的盘古dll 文件

将xml文件放在项目的根目录下

  Dict
  
    true
    false
    false
    true
    true
    true
    false
    false
    false
    true
    false
    false
    false
    false
    false
    false
    false
    false
  
  
    1
    5
    3
    2
    1
    1
    5
    3
    2
    1
    1
    1
    1
    0
    0
    CustomRuleExample.dll
    CustomRuleExample.PickupVersion
    0
  

在全局文件中填入以下代码

   protected void Application_Start(object sender, EventArgs e)
        {
            //log4net.Config.XmlConfigurator.Configure();
            //logger.Debug("程序开始");
            Segment.Init(HttpContext.Current.Server.MapPath("~/PanGu.xml"));
        }

分词方法

 Segment segment = new Segment();
               
                var ss = segment.DoSegment("海信的,家就看到");
                foreach (var s in ss)
                {

                    string sa = s.Word;
                }

 

设置过滤词（注意这里的过滤词不要放在第一个上）

 

 

出处：https://www.cnblogs.com/yabisi/p/6038299.html

如果，您希望更容易地发现我的新博客，不妨点击一下绿色通道的【关注我】。(●'◡'●)

如果你觉得本篇文章对你有所帮助，请给予我更多的鼓励，求打             付款后有任何问题请给我留言!!!

因为，我的写作热情也离不开您的肯定支持，感谢您的阅读，我是【Jack_孟】！