lucene中文分词组件共享

IKAnalyzer基于lucene2.0版本API开发，实现了以词典分词为基础的 正反向全切分 以及 正反向最大匹配切分 两种算法，是Lucene Analyzer接口的实现，代码使用例子如下：

下载地址：

Lucene中文分词器 V1.2 CSDN下载
Lucene中文分词器 V1.2 Google下载

正反向全切分算法：

实现类 ： org.mira.lucene.analysis.IK_CAnalyzer

分词效果测试，命令行如下：
java -classpath IKAnalyzer.jar;lucene-core-2.0.0.jar org.mira.lucene.analysis.IK_CAnalyzer 中华人民共和国香港特别行政区

java 代码

import org.mira.lucene.analysis.IK_CAnalyzer  <------- 引用类
import .....

public class IKAnalyzerTest extends TestCase {

 RAMDirectory directory;
 private IndexSearcher searcher;

 public void setUp() throws Exception {

  directory = new RAMDirectory();



  IndexWriter writer = new IndexWriter(directory,
   new IK_CAnalyzer(),  <------- 实例化类
   true);

  Document doc = new Document();
  doc.add(Field.Keyword("partnum", "Q36"));
  doc.add(Field.Text("description", "Illidium Space Modulator"));
  writer.addDocument(doc);
  writer.close();
  searcher = new IndexSearcher(directory);

 }

 public void testTermQuery() throws Exception {
  Query query = new TermQuery(new Term("partnum", "Q36"));
  Hits hits = searcher.search(query);
  assertEquals(1, hits.length());
 }
}

该算法适合与互联网用户的搜索习惯和企业知识库检索，用户可以用句子中涵盖的中文词汇搜索，如用“人民”搜索含“人民币”的文章，这是大部分用户的搜索思维；
不适合用于知识挖掘和网络爬虫技术，全切分法容易造成知识歧义，因为在语义学上“人民”和“人民币”是完全搭不上关系的。

分词效果：

1.实现中文单词细粒度全切分

 如：中华人民共和国
 0 - 2 = 中华
 0 - 4 = 中华人民
 0 - 7 = 中华人民共和国
 1 - 3 = 华人
 2 - 4 = 人民
 2 - 7 = 人民共和国
 4 - 6 = 共和
 4 - 7 = 共和国

2.实现对专有名词的识别和切分（人名，公司名）

 如：陈文平是开睿动力通讯科技有限公司董事长
 0 - 3 = 陈文平  <------ 人名，非汉语词汇
 4 - 6 = 开睿    <------ 公司名，非汉语词汇
 6 - 8 = 动力
 8 - 10 = 通讯
 10 - 12 = 科技
 12 - 14 = 有限
 12 - 16 = 有限公司
 14 - 16 = 公司
 16 - 18 = 董事
 16 - 19 = 董事长
 18 - 19 = 长

3.对数词和量词的合理切分
 
 如：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，20000余人受伤，近20万人无家可归。
 0 - 1 = 据
 1 - 4 = 路透社
 4 - 6 = 报道
 。。。。。。 
 18 - 20 = 官员
 20 - 22 = 星期
 20 - 23 = 星期二
 22 - 23 = 二
 24 - 26 = 29
 24 - 27 = 29日
 26 - 27 = 日
 28 - 30 = 表示
 31 - 33 = 日惹
 33 - 34 = 市
 。。。。。。
 40 - 42 = 27
 40 - 43 = 27日
 43 - 44 = 晨
 44 - 45 = 5
 44 - 46 = 5时
 45 - 46 = 时
 46 - 48 = 53
 46 - 49 = 53分
 48 - 50 = 分发
 。。。。。。
 52 - 54 = 里氏
 54 - 57 = 6.2
 54 - 58 = 6.2级
 57 - 58 = 级
 58 - 60 = 地震
 。。。。。。
 66 - 70 = 5427
 66 - 71 = 5427人
 71 - 73 = 死亡
 72 - 73 = 亡
 74 - 79 = 20000
 79 - 81 = 余人
 81 - 83 = 受伤
 84 - 85 = 近
 85 - 87 = 20
 85 - 89 = 20万人
 87 - 89 = 万人
 89 - 93 = 无家可归

最大匹配分词算法

实现类 ： org.mira.lucene.analysis.MIK_CAnalyzer

效果测试命令行：
java -classpath IKAnalyzer.jar;lucene-core-2.0.0.jar org.mira.lucene.analysis.MIK_CAnalyzer 中华人民共和国香港特别行政区

分词效果：
 
 例子：中华人民共和国香港特别行政区
 
 0 - 7 = 中华人民共和国
 7 - 14 = 香港特别行政区

 例子：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡?，20000余人受伤，近20万人无家可归。
 
 1 - 4 = 路透社
 4 - 6 = 报道
 7 - 12 = 印度尼西亚
 12 - 14 = 社会
 14 - 16 = 事务
 18 - 20 = 官员
 20 - 23 = 星期二
 24 - 27 = 29日
 28 - 30 = 表示
 31 - 33 = 日惹
 34 - 36 = 附近
 36 - 40 = 当地时间
 40 - 43 = 27日
 44 - 46 = 5时
 46 - 49 = 53分
 48 - 50 = 分发
 49 - 51 = 发生
 50 - 52 = 生的
 52 - 54 = 里氏
 54 - 58 = 6.2级
 58 - 60 = 地震
 60 - 62 = 已经
 62 - 64 = 造成
 64 - 66 = 至少
 66 - 71 = 5427人
 71 - 73 = 死亡
 75 - 80 = 20000
 80 - 82 = 余人
 82 - 84 = 受伤
 86 - 90 = 20万人
 90 - 94 = 无家可归

 

评论

2 楼 ilovephll 2007-09-17  

真是碰到好东西了

1 楼 liangwj72 2007-09-17  

哇，不错，不错，好东西。能介绍一下里面的人名等未登录词识别算法吗？

我自己也曾经写过一个最大概率切词的工具，和你一样，把散列的单字按多元切词法合并一下。于是索引和检索也是需要分成为两个不同的Analyzer。但一直没搞定人名、地名识别的问题。

这是我所见过的最好的java的切词器。真强啊。干嘛不放到论坛上？放在这个地方太少人看到了，9个月过去了，居然是0条评论...