搜索引擎中文分词原理与实现

搜索引擎中文分词原理与实现

ID:17641263

大小:197.00 KB

页数:9页

时间:2018-09-04

搜索引擎中文分词原理与实现_第1页
搜索引擎中文分词原理与实现_第2页
搜索引擎中文分词原理与实现_第3页
搜索引擎中文分词原理与实现_第4页
搜索引擎中文分词原理与实现_第5页
资源描述:

《搜索引擎中文分词原理与实现》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、搜索引擎中文分词原理与实现因为中文文本中,词和词之间不像英文一样存在边界,所以中文分词是一个专业处理中文信息的搜索引擎首先面对的问题,需要靠程序来切分出词。一、Lucene中的中文分词        Lucene在中处理中文的常用方法有三种,以“咬死猎人的狗”为例说明之:      单   字:【咬】【死】【猎】【人】【的】【狗】      二元覆盖:【咬死】【死猎】【猎人】【人的】【的狗】      分   词:【咬】【死】【猎人】【的】【狗】        Lucene中的StandardTokenizer采用单子分词方式,CJKTokenize

2、r采用二元覆盖方式。1、Lucene切分原理        Lucene中负责语言处理的部分在org.apache.lucene.analysis包,其中,TokenStream类用来进行基本的分词工作,Analyzer类是TokenStream的包装类,负责整个解析工作,Analyzer类接收整段文本,解析出有意义的词语。      通常不需要直接调用分词的处理类analysis,而是由Lucene内存内部来调用,其中:      (1)在索引阶段,调用addDocument(doc)时,Lucene内部使用Analyzer来处理每个需要索引的列,

3、具体如下图:       图1Lucene对索引文本的处理      IndexWriterindex=newIndexWriter(indexDirectory,                                                  newCnAnalyzer(),      //用于支持分词的分析器                                                  !incremental,                                                 

4、 IndexWriter.MaxFieldLength.UNLIMITED);      (2)在搜索阶段,调用QueryParser.parse(queryText)来解析查询串时,QueryParser会调用Analyzer来拆分查询字符串,但是对于通配符等查询不会调用Analyzer。      Analyzeranalyzer=newCnAnalyzer();                      //支持中文的分词      QueryParserparser=newQueryParser(Version.LUCENE_CURRENT,

5、"title",analyzer);      因为在索引和搜索阶段都调用了分词过程,索引和搜索的切分处理要尽量一致,所以分词效果改变后需要重建索引。      为了测试Lucene的切分效果,下面是直接调用Analysis的例子:      Analyzeranalyzer=newCnAnalyzer();                      //创建一个中文分析器      TokenStreamts=analyzer.tokenStream("myfield",newStringReader("待切分文本"));  //取得Token流 

6、     while(ts.incrementToken()){                                  //取得下一个词              System.out.println("token: "+ts);      }2、Lucene中的Analyzer      为了更好地搜索中文,通过下图来了解一下在Lucene中通过WhitespaceTokenizer、WordDelimiterFilter、LowercaseFilter处理英文字符串的流程:图2Lucene处理英文字符串流程二、查找词典算法      

7、词典格式可以是方便人工查看和编辑的文本文件格式,也可以是方便机器读入的二进制格式。词典的最基本文本文件格式就是每行一个词。在基于词典的中文分词方法中,词典匹配算法是基础。一般词典规模都在几十万词以上,所以为了保证切分速度,需要选择一个好的查找词典算法。1、标准Trie树      一个数字搜索Trie树的一个节点只保留一个字符,如果一个单词比一个字符长,则包含第一个字符的节点有指针指向下一个字符的节点,依次类推。这样组成一个层次结构的树,树的第一层包括所有单词的第一个字符,树的第二层包括所有单词的第二个字符,依次类推,数字搜索树的最大高度是词典中最长

8、单词的长度。比如:如下单词序列组成的词典(asatbebyheinisitofonorto)会生成如下图所示

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。