分词器源码……M1

 

事实上要自己写的代码很少。我写了四个类。都在org,phyeas包内，其他代码没有改过。目前测试的结果是：

速度：104k/s

f-score：0.938

----------------------

测试平台:

系统：Ubuntu9.10

CPU：P43.06

内存：1G+512M

Eclipse：3.4

 

在Windows下可能会有错误原因可能是字符集不一样，我Ubuntu下默认字符集是UTF-8，所以我在读取文件时有些是指定了字符集，在windows下应该不用，发现有这个问题的朋友可以与我联系。

 

用法：先构建预处理语料，使用我的ConvertToMEDict2类，文件路径写在源码里。需要输入一个语料文件（pku_training.txt），会生成一个预处理语料（pku_training.dat(100多M)）文件。再对这个预处理语料生成模型。执行CreateModel操作，需要在参数中指定文件路径（如java CreateModel pku_training.dat）。大约需要15-30分钟。然后生成一个模型文件（pku_trainingModel.txt），然后运行org.phyeas.Analyzer，改变main函数中的文件路径。Analyzer的构造函数需要一个模型文件路径，然后就是测试文件和输出文件路径了。

 

maxent.zip：源码

pku.zip：北京大学语料，未包含标准切分结果，如有需要的同学可以跟我说