资讯频道 → 编程语言
阅读更多

39顶
2踩

编程语言

转载新闻 当前几个主要的Lucene中文分词器的比较

2009-08-08 10:29 by 副主编 ouspec 评论(10) 有55934人浏览
lucene

1. 基本介绍：

paoding ：Lucene中文分词“庖丁解牛” Paoding Analysis
imdict ：imdict智能词典所采用的智能中文分词程序
mmseg4j ： 用 Chih-Hao Tsai 的 MMSeg 算法 实现的中文分词器
ik ：采用了特有的“正向迭代最细粒度切分算法“，多子处理器分析模式

 

 

2. 开发者及开发活跃度：

paoding ：qieqie.wang， google code 上最后一次代码提交：2008-06-12，svn 版本号 132
imdict ：XiaoPingGao， 进入了 lucene contribute，lucene trunk 中 contrib/analyzers/smartcn/ 最后一次提交：2009-07-24，
mmseg4j ：chenlb2008，google code 中 2009-08-03 （昨天），版本号 57，log为：mmseg4j-1.7 创建分支
ik ：linliangyi2005，google code 中 2009-07-31，版本号 41

 

 

3. 用户自定义词库：

paoding ：支持不限制个数的用户自定义词库，纯文本格式，一行一词，使用后台线程检测词库的更新，自动编译更新过的词库到二进制版本，并加载
imdict ：暂时不支持用户自定义词库。但 原版 ICTCLAS 支持。支持用户自定义 stop words
mmseg4j ：自带sogou词库，支持名为 wordsxxx.dic， utf8文本格式的用户自定义词库，一行一词。不支持自动检测。 -Dmmseg.dic.path
ik ： 支持api级的用户词库加载，和配置级的词库文件指定，无 BOM 的 UTF-8 编码，\r\n 分割。不支持自动检测。

 

 

4. 速度（基于官方介绍，非自己测试）

paoding ：在PIII 1G内存个人机器上，1秒 可准确分词 100万 汉字
imdict ：483.64 (字节/秒)，259517(汉字/秒)
mmseg4j ： complex 1200kb/s左右, simple 1900kb/s左右
ik ：具有50万字/秒的高速处理能力

 

 

5. 算法和代码复杂度

paoding ：svn src 目录一共1.3M，6个properties文件，48个java文件，6895 行。使用不用的 Knife 切不同类型的流，不算很复杂。
imdict ：词库 6.7M（这个词库是必须的），src 目录 152k，20个java文件，2399行。使用 ICTCLAS HHMM隐马尔科夫模型，“利用大量语料库的训练来统计汉语词汇的词频和跳转概率，从而根据这些统计结果对整个汉语句子计算最似然(likelihood)的切分”
mmseg4j ： svn src 目录一共 132k，23个java文件，2089行。MMSeg 算法 ，有点复杂。
ik ： svn src 目录一共6.6M(词典文件也在里面)，22个java文件，4217行。多子处理器分析，跟paoding类似，歧义分析算法还没有弄明白。

 

 

6. 文档

paoding ：几乎无。代码里有一些注释，但因为实现比较复杂，读代码还是有一些难度的。
imdict ： 几乎无。 ICTCLAS 也没有详细的文档，HHMM隐马尔科夫模型的数学性太强，不太好理解。
mmseg4j ： MMSeg 算法 是英文的，但原理比较简单。实现也比较清晰。
ik ： 有一个pdf使用手册，里面有使用示例和配置说明。

 

 

7. 其它

paoding ：引入隐喻，设计比较合理。search 1.0 版本就用的这个。主要优势在于原生支持词库更新检测。主要劣势为作者已经不更新甚至不维护了。
imdict ：进入了 lucene trunk，原版 ictclas 在各种评测中都有不错的表现，有坚实的理论基础，不是个人山寨。缺点为暂时不支持用户词库。
mmseg4j ： 在complex基础上实现了最多分词(max-word)，但是还不成熟，还有很多需要改进的地方。
ik ：  针对Lucene全文检索优化的查询分析器IKQueryParser

 

 

8. 结论

个人觉得，可以在 mmseg4j 和 paoding 中选一个。关于这两个分词效果的对比，可以参考：

http://blog.chenlb.com/2009/04/mmseg4j-max-word-segment-compare-with-paoding-in-effect.html

或者自己再包装一下，将 paoding 的词库更新检测做一个单独的模块实现，然后就可以在所有基于词库的分词算法之间无缝切换了。

 

 

ps，对不同的 field 使用不同的分词器是一个可以考虑的方法。比如 tag 字段，就应该使用一个最简单的分词器，按空格分词就可以了。

来自: 福林雨博客
39
顶
2
踩
评论 共 10 条 请登录后发表评论
10 楼 ladybird2010 2010-02-25 10:58
求Lucene结合Hibernate的配置实例 急。。
您若有Lucene的例子工程，帮忙发一个好吗？最好是可以分词。
Email: gao.guangpei@zte.com.cn 或者ggp123@126.com
非常感谢你！
9 楼 ray_linn 2009-09-08 15:44
8 楼 ibeits 2009-08-10 09:46
能有这样的文章是好的,但比较项目都浮于表面,如果作者再写一篇对它们核心分词算法比较的文章就好了
7 楼 treblesoftware 2009-08-09 23:01
好文章，这种文章是最需要的。
6 楼 silasoni 2009-08-09 22:11
有没有韩语分词啊 
5 楼 whaosoft 2009-08-09 12:12
都是中国人?? 幸好我们那儿只做外国的
4 楼 jitabc 2009-08-09 09:58
感觉最具有生命力的非IK莫属
3 楼 sking 2009-08-09 06:42
HHMM是啥东东？应该是HMM。。。
2 楼 flyfan 2009-08-09 02:05
这遍文章不错，不过发到论坛区会更适合
1 楼 shaka 2009-08-08 16:18
不错，该好好学习下，免得每次面试问到分词都让很汗颜

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • X Windows的理解与使用

    X Windows的理解 Unix/Linux系统上的图形用户界面 GNome KDE x window可以理解为linux的GUI程序

  • XWindow使用及感受

    是不是你也和我一样一直在困惑XWindow到底是怎么来运行的?到底那个是服务器,那个是客户端?怎么越来越搞不明白了?Ok,不用先弄明白,跟我来,自己动手做一遍之后这些概念你就都可以明白了首先在你需要有一台linux机器,现在虚拟机程序这么多,你怎么都该在你的windows中分出来一块给linux了吧?我这里用的linux.之后你还需要一台XWindow的服务器,实际上linux已经自带了,但为了彻

  • X Window

     X Window提起 Linux 上的图形，许多人首先想到的是 X Window。这一系统是目前类 UNIX 系统中处于控制地位的桌面图形系统。无疑，X Window 作为一个图形环境是成功的，它上面运行着包括 CAD建模工具和办公套件在内的大量应用程序。但必须看到的是，由于 X Window 在体系接口上的原因，限制了其对游戏、多媒体的支持能力。用户在 X Window 上运行 VCD 播放器

  • linux的x window system

    为什么叫x window system：因为就英文字母来看，x是在w的后面。 当时在开发x window system的时候，就希望这个窗口界面不要与硬件有强烈的相关性，不然就等于是一个操作系统了，因此x当初就是以应用程序的概念开发的。 x窗口也被称为x11，这个窗口是利用网络架构来进行图形界面的运行和绘制。 这个网络架构基本可分为x server和x clie...

  • Xwindow是什么

    Xwindow是工作站图形系统的工业标准，它有多种不同的实现，Ubuntu系统中使用的为Xorg。 （比较前卫的图形界面系统XGL，实际代替X服务器的作用，另外还有与之配套的窗口管理器） 历史 当然，Xwindow有悠久的历史和传统，不过那不在我们讨论的范围。您要注意的有两点： * Xwindow 和 Xbox 中的“X”本意是不同的， X 只...

  • oracle 分词器有哪些,当前几个主要的Lucene中文分词器的比较

    1.基本介绍：imdict ：imdict智能词典所采用的智能中文分词程序mmseg4j： 用 Chih-Hao Tsai 的 MMSeg 算法 实现的中文分词器ik ：采用了特有的“正向迭代最细粒度切分算法“，多子处理器分析模式2.开发者及开发活跃...

  • mysql ictclas_当前几个主要的Lucene中文分词器的比较【转载】

    1. 基本介绍：paoding ：Lucene中文分词“庖丁解牛” Paoding Analysisimdict ：imdict智能词典所采用的智能中文分词程序mmseg4j ： 用 Chih-Hao Tsai 的 MMSeg 算法 实现的中文分词器ik ：采用了特有的“正向迭代最...

  • Lucene分词器

    介绍 历史: 创始人Doug Cutting(hadoop); lucene:是搜索引擎的工具包基于java编写的 特点 稳定,索引性能高(倒排索引) ...现代硬盘每小时索引150G数据(索引:创建索引文件) ...lucene的分词计算 分词:分词的过程就...

  • 让一般用户使用X Window (转)

    让一般用户使用X Window (转)[@more@] 让一般用户使用XWindow Mailto:webmaster@Linuxaid.com.cn">技巧管理员(2000-12-24 10:33)〖tip...

  • X Window 简单入门教程

    1.X Window 系统的窗口显示原理： http://www.ibm.com/developerworks/cn/linux/l-cn-xwin/ 2.X Window 程式设计入门--第二章 X Programming 的第一步 http://fanqiang.chinaunix.net/a4/b8/20010601/180800311.html

  • Xwindow介绍

    很多人在用 Xwindow，但是他们是在用一些包装掩盖下的 Xwindow，那些包装有些很不稳定，占用大量资源，以至于有人说 Xwindow 是垃圾。其实 Xwindow 是一个非常出色的图形系统，你应该抱怨的是那些不稳定的包装，而不是 Xwindow 本身。     Xwindow 是非常巧妙的设计，很多时候它在概念上比其它窗口系统先进，以至于经过很多年它仍然是工作站上的工业标准。许

  • 第24章、 X Window 设定介绍

    24.1. 什么是 X Window System Unix Like 操作系统不是只能进行服务器的架设而已，在美编、排版、制图、多媒体应用上也是有其需要的。 这些需求都需要用到图形接口 (Graphical User Interface, GUI) 的操作的， 所以后来才有所谓的 X Window System 这玩意儿。那么为啥图形窗口接口要称为 X 呢？因为就英文字母来看 X 是在 W(i...

  • 嵌入式八股文面试题库资料知识宝典-深圳禾苗通信科技有限公司.zip

    嵌入式八股文面试题库资料知识宝典-深圳禾苗通信科技有限公司.zip

  • Arduino UART实验例程【正点原子EPS32S3】

    Arduino UART实验例程，开发板：正点原子EPS32S3，本人主页有详细实验说明可供参考。

  • 电力弹簧技术在主动配电网规划与运行优化调度中的应用研究

    内容概要：本文详细探讨了电力弹簧技术在主动配电网规划及运行优化调度中的应用。首先介绍了电力弹簧技术作为智能电网调控手段的优势，如自适应性强、响应速度快、节能环保等。接着阐述了主动配电网规划的目标和策略，包括优化电网结构、提高能源利用效率和降低故障风险。随后讨论了运行优化调度的原则和方法，强调了实时监测、智能调度策略以及优化调度模型的重要性。最后通过实际案例分析展示了电力弹簧技术在提升电网稳定性、可靠性和能效方面的显著效果，展望了其广阔的应用前景。 适合人群：从事电力系统规划、运行管理的研究人员和技术人员，以及对智能电网感兴趣的学者和学生。 使用场景及目标：适用于希望深入了解电力弹簧技术及其在主动配电网规划和运行优化调度中具体应用的专业人士。目标是掌握电力弹簧技术的工作原理、优势及其在实际项目中的实施方法。 其他说明：本文不仅提供了理论分析，还有具体的案例支持，有助于读者全面理解电力弹簧技术的实际应用价值。

  • honor_1.145_testgray20250427.apk

    honor_1.145_testgray20250427.apk

  • 嵌入式八股文面试题库资料知识宝典-【开发】嵌入式开源项目&库&资料.zip

    嵌入式八股文面试题库资料知识宝典-【开发】嵌入式开源项目&库&资料.zip

  • 鸿蒙生态HarmonyOS：万物互联时代的操作系统革新与发展路径

    内容概要：本文详细介绍了华为推出的面向全场景的分布式操作系统HarmonyOS。HarmonyOS旨在打破设备间的壁垒，实现万物互联，通过分布式软总线和分布式任务调度等核心技术，让不同设备协同工作，如手机、平板、智能家居等设备间无缝流转任务。其应用生态涵盖教育、金融、出行等多个领域，华为通过资金、技术支持和流量扶持吸引开发者，推动生态繁荣。HarmonyOS从2019年首次发布至今，经历了多个版本迭代，性能和安全性不断提升，用户体验更加智能便捷。尽管面临应用生态丰富度不足、市场竞争压力等挑战，华为通过优化开发工具、加强市场推广等策略积极应对。未来，HarmonyOS将在分布式技术、AI融合和隐私安全等方面持续创新，并在智能家居、车联网、工业互联网等领域拓展生态。 适合人群：对操作系统技术感兴趣的专业人士、开发者、科技爱好者。 使用场景及目标：①了解HarmonyOS的技术架构和分布式技术的特点；②探讨HarmonyOS在智能家居、车联网等领域的应用前景；③评估HarmonyOS对现有操作系统市场的潜在影响。 阅读建议：HarmonyOS作为一款面向全场景的操作系统，不仅涉及技术实现，还包括生态建设和用户体验。因此，在阅读过程中，应重点关注其技术优势、应用场景及未来发展潜力，结合自身需求思考其在实际生活和工作中的应用价值。

  • 少儿编程scratch项目源代码文件案例素材-简单杀戮.zip

    少儿编程scratch项目源代码文件案例素材-简单杀戮.zip

Global site tag (gtag.js) - Google Analytics