1. 程式人生 > >HanLP使用者自定義詞典原始碼分析

HanLP使用者自定義詞典原始碼分析

HanLP使用者自定義詞典原始碼分析

1. 官方文件及參考連結

2. 原始碼解析

分析 com.hankcs.demo包下的DemoCustomDictionary.java 基於自定義詞典使用標準分詞HanLP.segment(text)的大致流程(HanLP版本1.5.3)。首先把自定義詞新增到詞庫中:

CustomDictionary.add("攻城獅");
CustomDictionary.insert("白富美", "nz 1024");//指定了自定義詞的詞性和詞頻
CustomDictionary.add("單身狗", "nz 1024 n 1")//一個詞可以有多個詞性

新增詞庫的過程包括:

  • 若啟用了歸一化HanLP.Config.Normalization = true;,則會將自定義詞進行歸一化操作。歸一化操作是基於詞典檔案 CharTable.txt 進行的。

  • 判斷自定義詞是否存在於自定義核心詞典中

      public static boolean add(String word)
      {
          if (HanLP.Config.Normalization) word = CharTable.convert(word);
          if (contains(word)) return false;//判斷DoubleArrayTrie和BinTrie是否已經存在word
          return insert(word, null);
      }

  • 當自定義詞不在詞典中時,構造一個CoreDictionary.Attribute物件,若新增的自定義詞未指定詞性和詞頻,則詞性預設為 nz,頻次為1。然後試圖使用DAT樹將該 Attribute物件新增到核心詞典中,由於我們自定義的詞未存在於核心詞典中,因為會新增失敗,從而將自定義詞放入到BinTrie中。因此,不在核心自定義詞典中的詞(動態增刪的那些詞語)是使用BinTrie樹儲存的。
      public static boolean insert(String word, String natureWithFrequency)
      {
          if (word == null) return false;
          if (HanLP.Config.Normalization) word = CharTable.convert(word);
          CoreDictionary.Attribute att = natureWithFrequency == null ? new CoreDictionary.Attribute(Nature.nz, 1) : CoreDictionary.Attribute.create(natureWithFrequency);
          if (att == null) return false;
          if (dat.set(word, att)) return true;
          //"攻城獅"是動態加入的詞語. 在核心詞典中未匹配到,在自定義詞典中也未匹配到, 動態增刪的詞語使用BinTrie儲存
          if (trie == null) trie = new BinTrie<CoreDictionary.Attribute>();
          trie.put(word, att);
          return true;
      }

將自定義新增到BinTrie樹後,接下來是使用分詞演算法分詞了。假設使用的標準分詞(viterbi演算法來分詞):

List<Vertex> vertexList = viterbi(wordNetAll);

分詞具體過程可參考:

分詞完成之後,返回的是一個 Vertex 列表。如下圖所示:

然後根據 是否開啟使用者自定義詞典 配置來決定將分詞結果與使用者新增的自定義詞進行合併。預設情況下,config.useCustomDictionary是true,即開啟使用者自定義詞典。

        if (config.useCustomDictionary)
        {
            if (config.indexMode > 0)
                combineByCustomDictionary(vertexList, wordNetAll);
            else combineByCustomDictionary(vertexList);
        }

combineByCustomDictionary(vertexList)由兩個過程組成:

  • 合併DAT 樹中的使用者自定義詞。這些詞是從 詞典配置檔案 CustomDictionary.txt 中載入得到的。

  • 合併BinTrie 樹中的使用者自定義詞。這些詞是 程式碼中動態新增的:CustomDictionary.add("攻城獅")

  //DAT合併
  DoubleArrayTrie<CoreDictionary.Attribute> dat = CustomDictionary.dat;
  ....
    // BinTrie合併
  if (CustomDictionary.trie != null)//使用者通過CustomDictionary.add("攻城獅"); 動態增加了詞典
  {
      ....

合併之後的結果如下:

3. 關於使用者自定義詞典

總結一下,開啟自定義分詞的流程基本如下:

  • HanLP啟動時載入詞典檔案中的CustomDictionary.txt 到DoubleArrayTrie中;使用者通過 CustomDictionary.add("攻城獅");將自定義詞新增到BinTrie中。
  • 使用某一種分詞演算法分詞
  • 將分詞結果與DoubleArrayTrie或BinTrie中的自定義詞進行合併,最終返回輸出結果

HanLP作者在HanLP issue783:上面說:詞典不等於分詞、分詞不等於自然語言處理;推薦使用語料而不是詞典去修正統計模型。由於分詞演算法不能將一些“特定領域”的句子分詞正確,於是為了糾正分詞結果,把想要的分詞結果新增到自定義詞庫中,但最好使用語料來糾正分詞的結果。另外,作者還說了在以後版本中不保證繼續支援動態新增自定義詞典。以上是閱讀原始碼過程中的一些粗淺理解,僅供參考。

原文:http://www.cnblogs.com/hapjin/p/8992280.html