【分享】Lucene.Net的中文分词组件AdvancedChineseAnalyzer

库名称:AdvancedChineseAnalyzer 高级中文文本分析器
描述:A Chinese Analyzer that utilizes HMM. 基于隐马尔科夫模型的中文分析器。
运行环境:Microsoft .Net Framework 2.0
依存软件:Lucene.Net
作者:Kelvin ZHANG (kelvin.cn{@t}56.com)
授权:Free for noncommercial use 对非盈利使用免费

下载:
http://www.cnblogs.com/Files/KelvinZhang/AdvancedChineseAnalyzer.part1.rar
http://www.cnblogs.com/Files/KelvinZhang/AdvancedChineseAnalyzer.part2.rar
http://www.cnblogs.com/Files/KelvinZhang/AdvancedChineseAnalyzer.part3.rar

【1】为什么要分词?
减小索引大小,减少搜索开销,提高响应速度,改善搜索结果的相关性。

【2】与以往Lucene.Net的NLS包中提供的ChineseAnalyzer有什么不同?
NLS中的ChineseAnalyzer只简单地将连续字串两两组合,例如,对“文本分析器”进行分析,将得到“文本”、“本分”、“分析”和“析器”。而使用AdvancedChineseAnalyzer分析,将得到“文本”、“分析器”两个Tokens。AdvancedChineseAnalyzer的分词算法有两种,一种基于“上下文无关的词频优选”,第二种则是基于“一阶隐马尔科夫模型(HMM)”。

【3】这两种算法的分词正确率和速度各如何?
排除人名,地面等专有未登录词不算,HMM模式下切分正确率达到98%,非HMM模式下达到94%左右。HMM模式每秒可以处理75kbps文本,非HMM模式速度在100kbps左右。两种模式可以自由切换。

【4】怎样才能将AdvancedChineseAnalyzer结合Lucene.Net使用?
1  Lucene.Net.Analysis.Analyzer objCA  =   new  Lucene.Net.Analysis.China.ChineseAnalyzer();
然后把objCA传递给IndexWriter的构造函数就可以了。

【5】AdvancedChineseAnalyzer是免费的吗?
是的,个人以非盈利目的的使用是免费的。但作者不提供技术支持,也不保证AdvancedChineseAnalyzer没有问题。Use it at your own risk.

【6】如何开启HMM模式?
1  Lucene.Net.Analysis.China.ConfigParameter.UseHmm  =   true ;

【7】为何输入文本和输出的不一样,少了很多(见图)?


已经过滤了停用词。常见的无意义虚词、标点符号、英文停用词等都已经过滤掉了。
 
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页