开源 Java 中文分词器 Ansj 作者孙健专访
Ansj 是一个开源的 Java 中文分词工具，基于中科院的 ictclas 中文分词算法，比其他常用的开源分词工具（如mmseg4j）的分词准确率更高。
在线演示： http://ansj.sdapp.cn/demo/seg.jsp
官网地址： http://www.ansj.org/
Github地址： https://github.com/ansjsun/ansj_seg
我们本期采访了Ansj的作者孙健，请他为大家详细介绍一下这个分词工具。
欢迎大家推荐更多开源项目给我们，支持中国的开源项目发展，如果您和您的团队希望展示创业理念和有趣之处，或者有朋友正在创造这样的价值，请联系我们，发信到[email protected]即可。
Ansj中文分词是一款纯Java的、主要应用于自然语言处理的、高精度的中文分词工具，目标是“准确、高效、自由地进行中文分词”，可用于人名识别、地名识别、组织机构名识别、多级词性标注、关键词提取、指纹提取等领域，支持行业词典、用户自定义词典。
上面是客套话，先说明一下Ansj命名的由来吧。本来开始打算叫totoro分词（同事帮忙起的名），最后发现好多厕所中卫生洁具都叫“TOTO” ^_^
正好我注册了Ansj.org域名，于是乎，就叫这个名字吧。
在这里说分词有点老生常谈了。的确，中文分词已经非常成熟了，但是之间有一些问题依旧比较难解。个人认为大致有以下几点吧：
1. 中文歧义的识别
比较出名的一句话“结婚的和尚未结婚的”，如果使用正向最大匹配，容易分成“结婚/的/和尚/未/结婚的”，于是有的学者试图倒过来识别，逆向匹配会大于正向。但是碰到这句“结合成分子时”，采用逆向最大匹配，则会分为“结合/成分/子时”，更有甚者像“咬了猎人的狗”这种语意不明的词语，就更不容易正确分词了。这是中文分词的软肋。下面是些典型的歧义句：
2. 实体名识别
这个是中文分词遇到的最大的难点，也是最最紧迫的。实体名识别包括人名识别、地名识别、机构名识别，还包括有监督识别和无监督识别。有监督的还好，无监督基本是无解的，比如“王大力发球”是“王大力”还是“大力发球”，一般人都难以识别。
3. 新词热词发现
目前常用的新词发现还是一个比较有研究性的课题，虽然有些论文在准确率很高，但是大多是封闭测试，这意味着结果很难应用到实际工程中。目前Ansj采用的新词发现方式比较简单，采用了高频词的匹配方式，不使用规则，用统计重复串识别新词，根据词性去掉干扰词，虽然有一定的效果，但还是差强人意。
4. 颗粒度问题
该算法实现分词有以下几个步骤：
5、 用户自定义词典的补充；
6、 词性标注（可选）
这是我采用人民日报1998年1月语料库的一个测试结果，首先要说明的是这份人工标注的语料库本身就有错误。
核心词典利用双数组规划，每秒钟能达到千万级别的粗分。在我的MacBookAir上面，分词速度大约在300w/字/秒，在酷睿i5+4G内存组装机器上，更是达到了400w+/字/秒的速度。
Ansj已经实现了用户自定义词典的动态添加删除，当然，也支持从文件加载词典。
从硬盘加载用户自定义词典的方法：
用户自定义词典默认路径：项目目录/library/userLibrary/userLibrary.dic
格式为：[自定义词] [词性] [词频]，如：csdn创新院 userDefine 1000，中间用TAB键隔开
原分词结果：[csdn， 创新， 院， 是， 一个， 好， 公司]
增加词典后：[csdn创新院， 是， 一个， 好， 公司]
详细内容见： 用户自定义词典的添加
用户自定义词典的动态添加删除方法见： 用户自定义词典的动态添加删除Demo
我打算下一版的改进将围绕未登录词进行，采用crf来做新词的识别。当然随着系统的庞大，每次修改都要考虑效率内存占用。
虽然已经着手开始进行中，但是进展一直不快。有兴趣的同学可以多提意见，可以通过Github参与到该项目中，让我们做一个真正的Java版的高准确率分词。
Github地址： https://github.com/ansjsun/ansj_seg
在线演示： http://ansj.sdapp.cn/demo/seg.jsp
官网地址： http://www.ansj.org/
Github地址： https://github.com/ansjsun/ansj_seg
我们本期采访了Ansj的作者孙健，请他为大家详细介绍一下这个分词工具。
欢迎大家推荐更多开源项目给我们，支持中国的开源项目发展，如果您和您的团队希望展示创业理念和有趣之处，或者有朋友正在创造这样的价值，请联系我们，发信到[email protected]即可。
先来个自我介绍吧！
孙建，胸无大志，没想过创业，没想过发财，只想高高兴兴写两行代码，做了近五年Java程序员，写过页面，干过运维，做过人力，忽悠过客户，擅长字符串操作，擅长数据结构和算法。现在主要从事检索、自然语言处理、数据挖掘等方面工作。
介绍一下Ansj！
Ansj中文分词是一款纯Java的、主要应用于自然语言处理的、高精度的中文分词工具，目标是“准确、高效、自由地进行中文分词”，可用于人名识别、地名识别、组织机构名识别、多级词性标注、关键词提取、指纹提取等领域，支持行业词典、用户自定义词典。
上面是客套话，先说明一下Ansj命名的由来吧。本来开始打算叫totoro分词（同事帮忙起的名），最后发现好多厕所中卫生洁具都叫“TOTO” ^_^
正好我注册了Ansj.org域名，于是乎，就叫这个名字吧。
你认为中文分词的难点是什么？
在这里说分词有点老生常谈了。的确，中文分词已经非常成熟了，但是之间有一些问题依旧比较难解。个人认为大致有以下几点吧：
1. 中文歧义的识别
比较出名的一句话“结婚的和尚未结婚的”，如果使用正向最大匹配，容易分成“结婚/的/和尚/未/结婚的”，于是有的学者试图倒过来识别，逆向匹配会大于正向。但是碰到这句“结合成分子时”，采用逆向最大匹配，则会分为“结合/成分/子时”，更有甚者像“咬了猎人的狗”这种语意不明的词语，就更不容易正确分词了。这是中文分词的软肋。下面是些典型的歧义句：
- 交叉歧义（多种切分交织在一起）：内塔内亚胡说的/确实/在理
- 组合歧义（不同情况下切分不同）：这个人/手上有痣、我们公司人手
- 真歧义（几种切分都可以）：乒乓球拍/卖/完了、乒乓球/拍卖/完了
2. 实体名识别
这个是中文分词遇到的最大的难点，也是最最紧迫的。实体名识别包括人名识别、地名识别、机构名识别，还包括有监督识别和无监督识别。有监督的还好，无监督基本是无解的，比如“王大力发球”是“王大力”还是“大力发球”，一般人都难以识别。
3. 新词热词发现
目前常用的新词发现还是一个比较有研究性的课题，虽然有些论文在准确率很高，但是大多是封闭测试，这意味着结果很难应用到实际工程中。目前Ansj采用的新词发现方式比较简单，采用了高频词的匹配方式，不使用规则，用统计重复串识别新词，根据词性去掉干扰词，虽然有一定的效果，但还是差强人意。
4. 颗粒度问题
这个就是一个规则探讨的问题了，比如“北京大学”是“北京”+“大学”还是“北京大学”，人各有志，就连同一个人不同时间的标注也有可能是有区别的，虽然这个问题严格上来说不属于技术问题，但是对分词结果的评测却有着很大的关系，Ansj采用“能识别就识别”的策略方针，所以在真正R值的时候偏低，总之一句话，适合学术的不一定适合工业，反之亦然。
简单介绍一下Ansj分词用到的算法，其分词原理是什么？
Ansj并非我创新，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。
该算法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）
Ansj分词的准确率大概是多少？
这是我采用人民日报1998年1月语料库的一个测试结果，首先要说明的是这份人工标注的语料库本身就有错误。
- P（准确率）：0.984887218571267
- R（召回率）：0.9626488103178712
- F（综合指标F值）：0.9736410471396494
在歧义、未登录词问题上，Ansj表现怎样？
至于未登录词的识别，目前重点做了中文人名的识别，效果还算满意，识别方式用的“字体+前后监督”的方式，也算是目前我所知道的效果最好的一种识别方式了。
Ansj的性能如何？
核心词典利用双数组规划，每秒钟能达到千万级别的粗分。在我的MacBookAir上面，分词速度大约在300w/字/秒，在酷睿i5+4G内存组装机器上，更是达到了400w+/字/秒的速度。
如何添加自定义词典？
Ansj已经实现了用户自定义词典的动态添加删除，当然，也支持从文件加载词典。
从硬盘加载用户自定义词典的方法：
用户自定义词典默认路径：项目目录/library/userLibrary/userLibrary.dic
格式为：[自定义词] [词性] [词频]，如：csdn创新院 userDefine 1000，中间用TAB键隔开
原分词结果：[csdn， 创新， 院， 是， 一个， 好， 公司]
增加词典后：[csdn创新院， 是， 一个， 好， 公司]
详细内容见： 用户自定义词典的添加
用户自定义词典的动态添加删除方法见： 用户自定义词典的动态添加删除Demo
你在开发过程中，遇到哪些困难？
最大的困难是训练样本和语料库的不足，遗憾国内没有共享，大多数都是收费的，而且好贵。
你认为Ansj还需要在哪些方面进行完善？
我打算下一版的改进将围绕未登录词进行，采用crf来做新词的识别。当然随着系统的庞大，每次修改都要考虑效率内存占用。
虽然已经着手开始进行中，但是进展一直不快。有兴趣的同学可以多提意见，可以通过Github参与到该项目中，让我们做一个真正的Java版的高准确率分词。
Github地址： https://github.com/ansjsun/ansj_seg