分词词典数据结构的探讨

      基于TRIE索引树的结构在分词词典数据结构中普遍采用，即便在改进的数据结构中其思想也都保持不变，本文以TRIE索引树来对分词词典进行一些分析。

      数据结构首先包含一个首字的数组，每个数组的offset即某个汉字的编码转化为short整形的值（一个汉字2字节）。gb2312编码表可以参见：http://linux.chinaunix.net/techdoc/desktop/2009/03/12/1101139.shtml。例如，“啊”是编码表中的首个汉字，编码为45216，则该数组（A）的啊所在的位置为A[45216]；至少需要包括两个字段【该字开头的trie数的孩子数】【该字开头的trie树的location】，首字数组可以看作是树根数组，存放着全部树根。

      其下的TRIE树在检索词汇的第二字，第三字时进行匹配发挥作用，至少需要包含汉字编码（2字节），孩子数（2字节），location（4字节），当汉字编码为0表示已经到词汇的终结位置，【location】上存放的是该词的统计信息，词频，查询频率等等。

     我们来大致估算一些这样做的代价。

     假定我们基于以下信息来做出估算。

     词典数量为10万个词汇，单字，2字词，3字词，4字词的比例约为3.6%，64% 16% 14%

     首字的开销为：65536*6B = 390K