FreeICTCLAS中文分词系统从2006年3月就开始接触
，之后通过研读相关论文和源代码，写了一系列的学习笔记
，给很多同样的中文分词爱好者提供了一个可参考的文档资料
。但因为工作及其它原因（嘿嘿，说白就了就是比较偷懒
，没有坚持下去），把该项目做成一个java版的原始想法一度中断
。之后，也曾多次尝试重新拾起，完成我的一个心愿
，但复杂的工作都让我半途而费。
4月份的时候，一个爱好才MSN上问我相关问题，又激起了我的原始想法，同时看到吕震宇老师只用了半个月的时间就完成了C＃版本的工作，并且写了完成的系列文章，又大大刺激我的神经。想想我的系列文章只到半道，ictclas4j的程序也是半拉子工程，真是惭愧之极。于是下定决定，一定要把这个项目完成，给自己也给关心ictclas的朋友一个交待。
经过三个星期的不懈努力，到现在为止，基本上完整的实现了原FreeICTCLAS所实现的功能。原VC＋＋实现的程序比我想象的更复杂，中间涉及大量的临时性的数据结构和大量的全局变量，搞的我非常头大，好几次都有放弃的想法。不过谢天谢地，我这次终于坚持下来了。从java程序的角度从出，我对原来的数据结构做了大量调整和优化，去掉了很多不必要的中间变量。经过优化后，在整个分词过后中只用到两个对象：Atom、SegNode，原子和分词结点，整个分词过程就是对SegNode的不断调整和改进，最终得到分词结果。
因为到现在为止，我只是做了一些简单的测试，可能还有很多的BUG在里面（对标点符号的处理就是一问题），并且分词的速度还远远达不到我的要求，程序还有很多改进的地方，所以暂时源代码还不会放上来，但我想最迟一个星期之内，我可以上传到论坛供大家测试。同时，我已在Google Code上申请了ictclas4j的开源项目，期望有兴趣的朋友加入进来共同改进。
再次感谢张华平、刘群老师，你们的杰作ICTCLAS分词系统给国内的自然语言研究提供了一个很好的入门工具。也非常感谢吕震宇、DanceFire精辟入理的相关分析文章！
相关参考：
ICTCLAS分词系统论坛组：http://groups.google.com/group/ictclas
ICTCLAS for java研究，sinboy的BLOG：http://blog.csdn.net/sinboy/category/207165.aspx
ICTCLAS for C＃研究，吕震宇的BLOG：http://www.cnblogs.com/zhenyulu/category/85598.html
DanceFire的专栏：http://blog.csdn.net/DanceFire/category/294373.aspx
ICTCLAS的老家：http://www.i3s.ac.cn/index.htm
ICTCLA4J开源项目：http://code.google.com/p/ictclas4j/
发表于 @ 2007年06月04日 14:25:00|评论(loading...)|编辑