今天下午部门内部技术分享是分词器算法。这次的主讲是大名鼎鼎的Ansj分词器的作者-孙健。
作者简介：
- Ansj分词器作者
- elasticsearch-sql（elasticsearch的sql插件）作者，支持sql查询
- nlp-lang自然语言工具包发起人
- NLPCN（自然语言处理组织）发起人
等等...
网站：http://www.nlpcn.org/
GIT地址：https://github.com/NLPchina
具体作者详情请百度、Google
大神首先对中文分词的概念进行详细的解释，并对比了传统分词和自然语言分词的区别和优略势。然后又讲到目前中文分词在应用过程中遇到的一些困难，其中就包括中文歧义的识别(包含交叉歧义、组合歧义、真歧义)、人名识别、地名识别和机构名识别。在这几种难题中，又以机构名识别最为困难（机构名称各种简称如：北京大学（北大）、腾讯（鹅场）等）。召回率和准确率的关系，正向匹配、逆向匹配等等。生动的讲解了分词的原理和难度所在。
但是讲到怎么实现的时候，大家都是一脸懵逼的，各种算法（Trie Tree、双数组trie树、CRF模型等）。听完就什么都不记得了，呵呵。
不过讲到最后的时候给我们分享了下HashMap的一种简单实现分词器的思路，意外的收获。下面通过代码说明（五分钟搞定_）。
HashMap简单实现的分词器
public class TokenizerDemo {
private static Map<String, String> map = new HashMap<String, String>();
//词典中最长词的长度，map中的key的最长长度
private static final int maxSize = 3;
static{
//可以从数据库中加载或词表中加载
map.put("中国", "");
map.put("北京", "");
map.put("中关村", "");
map.put("海淀", "");
}
public static void main(String[] args) {
String text = "中国人民共和国首都是北京，中关村在海淀区。";
int length = text.length();
for(int i=0; i<length; i++){
int endIdx = i+maxSize;
if(endIdx>length){
endIdx = length;
}
//最大逆序匹配
for(int j=0; j<maxSize; j++){
String s = text.substring(i, endIdx);
if(map.get(s)!=null){
//跳过匹配过的词（后面会说明跳过匹配词的原因）
i=endIdx-1;
System.out.println(s);
break;
}else{
endIdx-=1;
if(endIdx==i){
break;
}
}
}
}
}
}
输出结果：
中国
北京
中关村
海淀
注意：
如果不跳过已经匹配的词会出现"北京剧院" 拆分成 [北京]、[京剧]、[剧院] 三个词，
如果跳过匹配过的词就会拆分成 [北京]、[剧院]。
分词原理：
从词典中找出最长词的长度，这里为maxSize=3，按照maxSize的长度从文本的第一位（i=0）截取要抽取的文本【中国人】，然后去Map中查找是否有对应的值，如果没有减去一个长度截取（maxSize-1）【中国】，去Map中查找，找到则停止当前查找，接着从匹配当前词后面的字（i=2）【人民共】开始继续上述的步骤开始查找。
代码执行的流程如下：
第一次循环（i=0）：
中国人 -> 无命中（map中没找到） (j=0)
中国 -> map命中 (j=1) 【注释：命中后i+2（当前词）的长度。所以i=2】
第二次循环（i=2）：
人民共 -> 无命中 (j=0)
人民 -> 无命中 (j=1)
人 -> 无命中 (j=2)
第三次循环（i=3）：
民共和 -> 无命中 (j=0)
民共 -> 无命中 (j=1)
民 -> 无命中 (j=2)
...依次类推，找出文本中所有匹配词典中的词
很简单的代码就说明了分词器的原理（只是最简单、能命中词而以）。
应用场景
敏感词、文字过滤是一个网站必不可少的功能，可以使用这么简单的几行代码实现网站的敏感词过滤功能，自己这么简单几行代码就能实现是不是很棒。
