开源 Java 中文分词器 Ansj 作者孙健专访

最新推荐文章于 2024-07-06 11:24:09 发布

小飞侠-2

最新推荐文章于 2024-07-06 11:24:09 发布

阅读量1.7k

点赞数

分类专栏：分词器

分词器专栏收录该内容

8 篇文章 0 订阅

订阅专栏

Ansj 是一个开源的 Java 中文分词工具，基于中科院的 ictclas 中文分词算法，比其他常用的开源分词工具（如mmseg4j）的分词准确率更高。

在线演示： http://ansj.sdapp.cn/demo/seg.jsp
官网地址： http://www.ansj.org/
Github地址： https://github.com/ansjsun/ansj_seg

我们本期采访了Ansj的作者孙健，请他为大家详细介绍一下这个分词工具。

ITeye期待并致力于为国内优秀的开源项目提供一个免费的推广平台，如果你和你的团队希望将自己的开源项目介绍给更多的开发者，或者你希望我们对哪些开源项目进行专访，请告诉我们，发站内短信给ITeye管理员或者发邮件到webmaster@iteye.com即可。

目录 [ - ]

先来个自我介绍吧！

孙健，胸无大志，没想过创业，没想过发财，只想高高兴兴写两行代码，做了近五年Java程序员，写过页面，干过运维，做过人力，忽悠过客户，擅长字符串操作，擅长数据结构和算法。现在主要从事检索、自然语言处理、数据挖掘等方面工作。

介绍一下Ansj！

Ansj中文分词是一款纯Java的、主要应用于自然语言处理的、高精度的中文分词工具，目标是“准确、高效、自由地进行中文分词”，可用于人名识别、地名识别、组织机构名识别、多级词性标注、关键词提取、指纹提取等领域，支持行业词典、用户自定义词典。

上面是客套话，先说明一下Ansj命名的由来吧。本来开始打算叫totoro分词（同事帮忙起的名），最后发现好多厕所中卫生洁具都叫“TOTO” ^_^

正好我注册了 Ansj.org域名，于是乎，就叫这个名字吧。

你认为中文分词的难点是什么？

在这里说分词有点老生常谈了。的确，中文分词已经非常成熟了，但是之间有一些问题依旧比较难解。个人认为大致有以下几点吧：

1. 中文歧义的识别

比较出名的一句话“结婚的和尚未结婚的”，如果使用正向最大匹配，容易分成“结婚/的/和尚/未/结婚的”，于是有的学者试图倒过来识别，逆向匹配会大于正向。但是碰到这句“结合成分子时”，采用逆向最大匹配，则会分为“结合/成分/子时”，更有甚者像“咬了猎人的狗”这种语意不明的词语，就更不容易正确分词了。这是中文分词的软肋。下面是些典型的歧义句：

交叉歧义（多种切分交织在一起）：内塔内亚胡说的/确实/在理
组合歧义（不同情况下切分不同）：这个人/手上有痣、我们公司人手
真歧义（几种切分都可以）：乒乓球拍/卖/完了、乒乓球/拍卖/完了

2. 实体名识别

这个是中文分词遇到的最大的难点，也是最最紧迫的。实体名识别包括人名识别、地名识别、机构名识别，还包括有监督识别和无监督识别。有监督的还好，无监督基本是无解的，比如“王大力发球”是“王大力”还是“大力发球”，一般人都难以识别。

3. 新词热词发现

目前常用的新词发现还是一个比较有研究性的课题，虽然有些论文在准确率很高，但是大多是封闭测试，这意味着结果很难应用到实际工程中。目前Ansj采用的新词发现方式比较简单，采用了高频词的匹配方式，不使用规则，用统计重复串识别新词，根据词性去掉干扰词，虽然有一定的效果，但还是差强人意。

4. 颗粒度问题

这个就是一个规则探讨的问题了，比如“北京大学”是“北京”+“大学”还是“北京大学”，人各有志，就连同一个人不同时间的标注也有可能是有区别的，虽然这个问题严格上来说不属于技术问题，但是对分词结果的评测却有着很大的关系，Ansj采用“能识别就识别”的策略方针，所以在真正R值的时候偏低，总之一句话，适合学术的不一定适合工业，反之亦然。

简单介绍一下Ansj分词用到的算法，其分词原理是什么？

Ansj并非我创新，可以说是一个ictclas的Java版本，基本原理一致，只不过在分词优化算法上做了一些改进。

该算法实现分词有以下几个步骤：

全切分，原子切分；
N最短路径的粗切分，根据隐马尔科夫模型和viterbi算法，达到最优路径的规划；
人名识别；
系统词典补充；
用户自定义词典的补充；
词性标注（可选）

Ansj分词的准确率大概是多少？

这是我采用人民日报1998年1月语料库的一个测试结果，首先要说明的是这份人工标注的语料库本身就有错误。

P（准确率）：0.984887218571267
R（召回率）：0.9626488103178712
F（综合指标F值）：0.9736410471396494

在歧义、未登录词问题上，Ansj表现怎样？

歧异方面的处理方式自我感觉还可以，基于“最佳实践规则+统计”的方式，虽然还有一部分歧异无法识别，但是已经完全能满足工程应用了。

至于未登录词的识别，目前重点做了中文人名的识别，效果还算满意，识别方式用的“字体+前后监督”的方式，也算是目前我所知道的效果最好的一种识别方式了。

Ansj的性能如何？

在我的测试中，Ansj的效率已经远超ictclas的其他开源实现版本。

核心词典利用双数组规划，每秒钟能达到千万级别的粗分。在我的MacBookAir上面，分词速度大约在300w/字/秒，在酷睿i5+4G内存组装机器上，更是达到了400w+/字/秒的速度。

如何添加自定义词典？

Ansj已经实现了用户自定义词典的动态添加删除，当然，也支持从文件加载词典。

从硬盘加载用户自定义词典的方法：

用户自定义词典默认路径：项目目录/library/userLibrary/userLibrary.dic

格式为：[自定义词] [词性] [词频]，如：csdn创新院 userDefine 1000，中间用TAB键隔开

原分词结果：[csdn，创新，院，是，一个，好，公司]

增加词典后：[csdn创新院，是，一个，好，公司]

详细内容见：用户自定义词典的添加

用户自定义词典的动态添加删除方法见：用户自定义词典的动态添加删除Demo

你在开发过程中，遇到哪些困难？

最大的困难是训练样本和语料库的不足，遗憾国内没有共享，大多数都是收费的，而且好贵。

你认为Ansj还需要在哪些方面进行完善？

我打算下一版的改进将围绕未登录词进行，采用crf来做新词的识别。当然随着系统的庞大，每次修改都要考虑效率内存占用。

虽然已经着手开始进行中，但是进展一直不快。有兴趣的同学可以多提意见，可以通过Github参与到该项目中，让我们做一个真正的Java版的高准确率分词。

Github地址： https://github.com/ansjsun/ansj_seg

查看图片附件

分享到：

评论共 218 条

218 楼 lliiqiang 2015-11-30 14:50

英文由26个字母组成，词汇由字母组成，它天生的由空格分割词汇，不需要计算机再分词,中文由很多汉字组成,需要读者分词，计算机处理分词很麻烦。

217 楼 fdgghghjfgh 2015-10-01 13:32

请问一下，lucene5.3集成ansj分词器，Analyzer analyzer = new AnsjAnalyzer();没有参数指定哪种分词方式，是因为默认了分词方式吗？

216 楼 BeMyself_wangl 2015-04-02 16:45

lucene4.7 使用最新的ansj 版本，
对内容： “甲午年十大文史图书盘点”
生成索引后

使用关键词 “甲午年” ，“甲午” 搜索
都搜索不出结果。

使用ansj 对 “甲午年十大文史图书盘点”
的分词结果：
[甲午年/b, 十/m, 大/a, 文史/n, 图书/n, 盘点/vn]

why?

215 楼 ansjsun 2014-11-17 14:17

dsx1013 写道

这个为什么没有跟别的分词一样给个停用词字典，自己加载呢？感觉还要自己去读字典再加再加进去有点麻烦呢，楼主有没有想过整合这快呢？初学者，别见怪哈

补充问一句，加了停用词后，原本的为N的词性都变了，没在词性说明中找到nis,nnt对应的说明
[检察院/n,董事长/n,有限公司/n]
[检察院/nis,董事长/nnt,有限公司/nis]

你加的不是停用词词典。是用户自定义词典把。。你e可以参看我的文档

http://nlpchina.github.io/ansj_seg/

214 楼 ansjsun 2014-11-17 14:16

wyyina 写道

楼主你好，为什么我导入ansj_seg-2.0.7.jar包测试一下List<Term> parse = NlpAnalysis.parse("洁面仪配合洁面深层清洁毛孔");
System.out.println(parse);
这个代码 eclispe提示我的包错误

找到原因了要导入nlp-lang的一个包但我在官网没看到~

不报错了但是运行出来内存溢出！ Java heap space

把jvm内存给大点

213 楼 dsx1013 2014-09-29 16:19

dsx1013 写道

212 楼 dsx1013 2014-09-29 16:03

211 楼 wyyina 2014-09-25 17:50

wyyina 写道

找到原因了要导入nlp-lang的一个包但我在官网没看到~

不报错了但是运行出来内存溢出！ Java heap space

210 楼 wyyina 2014-09-25 17:47

wyyina 写道

找到原因了要导入nlp-lang的一个包但我在官网没看到~

209 楼 wyyina 2014-09-25 17:40

208 楼 zcl243 2014-08-07 17:43

你好，楼主，我设的自定义词典，不起作用，按照文档上的三种方法都试了，起不到作用

207 楼 ansjsun 2014-07-23 19:42

jenight 写道

楼主，我发现那个lucene的插件分出来的token会将逗号，《》书名号等都符号都作为一个词，这个看上去没有意义，谁会搜索一个逗号呢？有什么方法可以去掉这些符号？

lucene插件支持停用词表

206 楼 jenight 2014-07-18 11:46

205 楼 garfieldkai 2014-07-12 00:13

请问索引分词是什么算法原理，能有一个大概的说明么？谢谢

204 楼 ansjsun 2014-02-15 12:08

louiswang 写道

十分感谢你的回答：
1.测试时内存是调整到1024m的
2.并且先测试一句话加载词库到内存
3.测试简单的一句话，然后累计测试是可以达到180w字/s,比如测试“我是中国人”，测试十万次，计算总时间为time，500000/time.
4.测试大文本进行反复测试，明显效率下降很多，一般在30w/s
5.我是抽取关键词使用，所以必须获取词性，大文本获取词性，内存瞬间上G
6.另外我只需要分词结果，不需要人名新词等发现策略，这个自己有单独的模块去实现了。

我qq 93618236 ，合适的话加我下，我把测试文本传给你。

明白了你加我吧..5144694

203 楼 louiswang 2014-02-15 10:06

202 楼 ansjsun 2014-02-14 23:34

louiswang 写道

我把8w字的文档提前分句然后拼装结果，测试结果如下：
List<Term> terms = ToAnalysis.parse(lines[i]);
163ms

new NatureRecognition(terms).recognition();
214ms
说明文本过长建立到一个图里面对获取词性影响很大

还有一个慢的原因.如果内存不够.你把内存调整大点..应该速度会快..试试调整到 -xms1024m

201 楼 ansjsun 2014-02-14 22:47

louiswang 写道

多谢解答，
测试没算读取文本的时间，采用的就是ToAnaysis方法，测试一个8w字的文档：
List<Term> terms = ToAnalysis.parse(input);
占时间：143ms

new NatureRecognition(terms).recognition();
占时间：2473ms

另外有几个疑问：
1.为何不根据空格和标点分割建立多个有向图，这样计算最短路径时应该会提高效率。
2.标注词性时候占用时间过长，能否在分词的过程中去标注词性而非出来结果后再标注
3.有咩有考虑如果一个句子过长，假设一句话全是汉字且非常长的情况下，计算最短路径时会比较耗时。
请问你qq多少，我加你qq聊下。

1.空格和标点对分词结果也有影响的.比如人名顿号人名都是需要考虑进来的
2.词性标注如果分词的时候就标注.速度会慢更多.词性标注.不建议句子太长.太长的话对内存占用太多..
3.其实最短路径.和句子长短关系不大.短句反而时间长..

最后.我估计你时间长是把加载词典的时间也算进去了吧?否则不可能这么慢...你可以在分词前先分一句话.."孙健123好公司...."类似这样然后在开始算时间

200 楼 louiswang 2014-02-14 17:04

199 楼 louiswang 2014-02-14 16:50

198 楼 ansjsun 2014-02-14 14:12

louiswang 写道

我测试了分词速度，大文本在28w/s，用户词库自己整的，有30万左右，是什么原因呢

1.你不是在lucene中用的吧？
2.你用的NlpAnalysis吧？

你常识用下 ToAnalysis 。这个速度快。应该是200w/s左右。。。还有你读文本的方式。。最好能把代码发上来我看看

197 楼 louiswang 2014-02-14 12:33

请问你的测试分词速度模型是什么样的，谢谢。

196 楼 louiswang 2014-02-14 12:25

我测试了分词速度，大文本在28w/s，用户词库自己整的，有30万左右，是什么原因呢

195 楼 ansjsun 2014-02-11 22:27

BeMyself_wangl 写道

ansjsun 写道

BeMyself_wangl 写道

Exception in thread "main" java.lang.NoSuchMethodError: org.ansj.splitWord.analysis.ToAnalysis.<init>(Ljava/io/Reader;)V
at org.ansj.lucene4.AnsjAnalysis.createComponents(AnsjAnalysis.java:38)
at org.apache.lucene.analysis.Analyzer.tokenStream(Analyzer.java:142)

ansj_seg-1.1以后就报这个错了。
是我调用的不对？

应该不是..treesplit包更新了.你得更新到1.2版本..通过http://maven.ansj.org/org/ansj/tree_split/1.2/ 下载

我一开始就是tree_split-1.2.jar+ansj_lucene4_plug-1.0.jar+ansj_seg-1.3.jar
就是报错。
把ansj_seg-1.3.jar 退回到 ansj_seg-1.1.jar 就不报错了。

你好.你联系我qq吧..因为我现在都不怎么做lucene了.而且1.3改动的地方比较大..我有点担心,偏移量我写的不对.你要是还在做.有兴趣.我帮你调试.你帮我反馈问题.我的q是5144694

194 楼 BeMyself_wangl 2014-02-11 13:56

ansjsun 写道

BeMyself_wangl 写道

应该不是..treesplit包更新了.你得更新到1.2版本..通过http://maven.ansj.org/org/ansj/tree_split/1.2/ 下载

我一开始就是tree_split-1.2.jar+ansj_lucene4_plug-1.0.jar+ansj_seg-1.3.jar
就是报错。
把ansj_seg-1.3.jar 退回到 ansj_seg-1.1.jar 就不报错了。

193 楼 ansjsun 2014-02-10 20:36

BeMyself_wangl 写道

应该不是..treesplit包更新了.你得更新到1.2版本..通过http://maven.ansj.org/org/ansj/tree_split/1.2/ 下载

192 楼 BeMyself_wangl 2014-02-10 16:17

191 楼 ansjsun 2014-01-28 10:21

louiswang 写道

另外在arrays.dic里面出现的词，用户词库里面去重这些词不会影响分词效果吧？

如果你的分词是1个月前的。。那个辞典是不去重的。。。用户自定义辞典优先最大匹配原则。。

对于这种词语 “他/从/马上/掉/了/下来”会是这个结果.最新版的对用户自定义辞典中的词。进行了去重设置。

总而言之。不怕重复。对分词影响微乎其微。就算用户自定义辞典本身有词重复。也没有影响。

190 楼 louiswang 2014-01-27 23:00

另外在arrays.dic里面出现的词，用户词库里面去重这些词不会影响分词效果吧？

189 楼 louiswang 2014-01-27 22:58

有几个问题咨询下:
1.arrays.dic 里，序号和base数据怎么来的呢，比如：
154651 望风而 154651 121834 1 null
第一列和第三列的值，单个字是两个字节的int值，单字符串怎么来的，是相加得到么？
2.建立无环图gp后，中文应该以标点分割建立多个gp吧，这样效率会不会高些，比如“中国，中国梦”