HashMap实现中文分词器

    今天下午部门内部技术分享是分词器算法。这次的主讲是大名鼎鼎的Ansj分词器的作者-孙健。

作者简介：
1. Ansj分词器作者
2. elasticsearch-sql（elasticsearch的sql插件）作者，支持sql查询
3. nlp-lang自然语言工具包发起人
4. NLPCN（自然语言处理组织）发起人
等等…
网站：http://www.nlpcn.org/
GIT地址：https://github.com/NLPchina

具体作者详情请百度、Google

    大神首先对中文分词的概念进行详细的解释，并对比了传统分词和自然语言分词的区别和优略势。然后又讲到目前中文分词在应用过程中遇到的一些困难，其中就包括中文歧义的识别(包含交叉歧义、组合歧义、真歧义)、人名识别、地名识别和机构名识别。在这几种难题中，又以机构名识别最为困难（机构名称各种简称如：北京大学（北大）、腾讯（鹅场）等）。召回率和准确率的关系，正向匹配、逆向匹配等等。生动的讲解了分词的原理和难度所在。

    但是讲到怎么实现的时候，大家都是一脸懵逼的，各种算法（Trie Tree、双数组trie树、CRF模型等）。听完就什么都不记得了，呵呵。

    不过讲到最后的时候给我们分享了下HashMap的一种简单实现分词器的思路，意外的收获。下面通过代码说明（五分钟搞定^_^）。

HashMap简单实现的分词器

public class TokenizerDemo {

    private static Map<String, String> map = new HashMap<String, String>();

    //词典中最长词的长度，map中的key的最长长度
    private static final int maxSize = 3;
    static{
        //可以从数据库中加载或词表中加载
        map.put("中国", "");
        map.put("北京", "");
        map.put("中关村", "");
        map.put("海淀", "");
    }

    public static void main(String[] args) {
        String text = "中国人民共和国首都是北京，中关村在海淀区。";
        int length = text.length();
        for(int i=0; i<length; i++){
            int endIdx = i+maxSize;
            if(endIdx>length){
                endIdx = length;
            }
            //最大逆序匹配
            for(int j=0; j<maxSize; j++){
                String s = text.substring(i, endIdx);
                if(map.get(s)!=null){
                    //跳过匹配过的词（后面会说明跳过匹配词的原因）
                    i=endIdx-1;
                    System.out.println(s);
                    break;
                }else{
                    endIdx-=1;
                    if(endIdx==i){
                        break;
                    }
                }
            }

        }
    }
}

输出结果：
中国
北京
中关村
海淀

注意：
如果不跳过已经匹配的词会出现”北京剧院” 拆分成 [北京]、[京剧]、[剧院] 三个词，
如果跳过匹配过的词就会拆分成 [北京]、[剧院]。

分词原理：

从词典中找出最长词的长度，这里为maxSize=3，按照maxSize的长度从文本的第一位（i=0）截取要抽取的文本【中国人】，然后去Map中查找是否有对应的值，如果没有减去一个长度截取（maxSize-1）【中国】，去Map中查找，找到则停止当前查找，接着从匹配当前词后面的字（i=2）【人民共】开始继续上述的步骤开始查找。

代码执行的流程如下：

 第一次循环（i=0）：
      中国人  -> 无命中（map中没找到）  (j=0)
      中国    -> map命中               (j=1)  【注释：命中后i+2（当前词）的长度。所以i=2】
 第二次循环（i=2）：
      人民共  -> 无命中                (j=0)
      人民    -> 无命中                (j=1)
      人      -> 无命中                (j=2)
 第三次循环（i=3）：
      民共和  -> 无命中                (j=0)
      民共    -> 无命中                (j=1)
      民      -> 无命中                (j=2)
 ...依次类推，找出文本中所有匹配词典中的词

很简单的代码就说明了分词器的原理（只是最简单、能命中词而以）。

应用场景

敏感词、文字过滤是一个网站必不可少的功能，可以使用这么简单的几行代码实现网站的敏感词过滤功能，自己这么简单几行代码就能实现是不是很棒。

本人简书blog地址：http://www.jianshu.com/u/1f0067e24ff8    
点击这里快速进入简书

GIT地址：http://git.oschina.net/brucekankan/
点击这里快速进入GIT