Classifier4J的中文支持
Classifier4J是一个轻量级的分类工具，支持贝叶斯分类、向量空间模型、信息摘要等。然而它却不支持中文，异常信息大致如下：
Exception in thread "main" java.util.NoSuchElementException at java.util.HashMap$HashIterator.nextEntry(HashMap.java:813) at java.util.HashMap$ValueIterator.next(HashMap.java:839) at java.util.Collections.max(Collections.java:657)
主要原因在于Classifier4J自带的DefaultTokenizer使用正则表达式“\W”进行分词，这种方式对英文还好，因为英文有着天然的分隔符，然而对中文则是不适用的。因而我们需要自己实现Classifier4J对中文的支持，分词工具选用庖丁分词。在包 net.sf.classifier4J中加入以下类：
package net.sf.classifier4J;
import java.io.IOException;
import java.io.StringReader;
import java.util.Vector;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.TermAttribute;
import net.paoding.analysis.analyzer.PaodingAnalyzer;
/**
* @author hongyu
*/
public class PaodingTokenizer implements ITokenizer {
private Analyzer paoding;
public PaodingTokenizer() {
paoding = new PaodingAnalyzer();
}
@Override
public String[] tokenize(String input) {
if(input != null) {
StringReader inputReader = new StringReader(input);
TokenStream ts = paoding.tokenStream("", inputReader);
TermAttribute termAtt = (TermAttribute)ts.getAttribute(TermAttribute.class);
Vector<String> tokens = new Vector<String>();
try {
while(ts.incrementToken()) {
tokens.add(termAtt.term());
}
return tokens.toArray(new String[0]);
} catch (IOException e) {
return new String[0];
}
} else {
return new String[0];
}
}
}
net.sf.classifier4J.Utilities的第二个构造方法修改如下：
public static Map getWordFrequency(String input, boolean caseSensitive) {
//return getWordFrequency(input, caseSensitive, new DefaultTokenizer(), new DefaultStopWordsProvider());
return getWordFrequency(input, caseSensitive, new PaodingTokenizer(), new DefaultStopWordsProvider());
}
net.sf.classifier4J.vector.VectorClassifier中第一个构造方法第一行做如下修改：
//tokenizer = new DefaultTokenizer();
tokenizer = new PaodingTokenizer();
另外还有一些其他小的bug：
1，为了能够正确处理查询字符串出现在首部的情况，SimpleClassifier最后一个方法修改如下：
public double classify(String input) {
if ((input != null) && (input.indexOf(searchWord) >= 0)) {
return 1;
} else {
return 0;
}
}
2，为了能够正确的对中文信息提取摘要，Utilities的getSentences方法修改如下：
public static String[] getSentences(String input) {
if (input == null) {
return new String[0];
} else {
// split on a ".", a "!", a "?" followed by a space or EOL
//return input.split("(\\.|!|\\?)+(\\s|\\z)");
return input.split("(\\。|\\.|!|\\?)+(\\s|\\z)?");
}
}
3，中文句子一般以句号结尾，因而SimpleSummariser中第122行修改为：
result.append("。");
以下是几个简单的测试类：
1，基本分类器：
public class BasicUsage {
public static void main(String args[]) throws Exception {
SimpleClassifier classifier = new SimpleClassifier();
classifier.setSearchWord("中华");
String sentence = "中华人民共和国";
System.out.println("The string '" + sentence +
"' contains the word '中华': " + classifier.isMatch(sentence));
System.out.println("The match rate is: " + classifier.classify(sentence));
}
}
运行结果：
The string '中华人民共和国' contains the word '中华': true The match rate is: 1.0
2，贝叶斯分类器：
public class Bayesian {
public static void main(String args[]) throws Exception {
IWordsDataSource wds = new SimpleWordsDataSource();
IClassifier classifier = new BayesianClassifier(wds);
System.out.println( "Matches = " + classifier.classify("中华人民共和国") );
}
}
运行结果：
Matches = 0.5
3，信息摘要：
public class Summariser {
public static void main(String args[]) {
String input = "中华人民共和国简称中国，位于欧亚大陆东部，太平洋西岸。中国具有五千年的文明史，是世界四大文明古国之一。";
ISummariser summariser = new SimpleSummariser();
String result = summariser.summarise(input, 1);
System.out.println(result);
}
}
运行结果：
中华人民共和国简称中国，位于欧亚大陆东部，太平洋西岸。
4，向量空间模型：
public class Vector {
public static void main(String args[]) throws Exception {
TermVectorStorage storage = new HashMapTermVectorStorage();
VectorClassifier vc = new VectorClassifier(storage);
vc.teachMatch("草本","含羞草");
double result = vc.classify("草本", "含羞草");
System.out.println(result);
}
}
运行结果：
0.9999999999999998
最后，Classifier4J只定义了英文中的停用词，对于中文而言，庖丁分词的词典中已经包含了停用词。