mmseg4j 中文分词 for .net版本

1、mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/ )实现的中文分词器,并实现 lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。

2、MMSeg 算法有两种分词方法:Simple和Complex,都是基于正向最大匹配。Complex 加了四个规则过虑。官方说:词语的正确识别率达到了 98.41%。mmseg4j 已经实现了这两种分词算法。

  • 1.5版的分词速度simple算法是 1100kb/s左右、complex算法是 700kb/s左右,(测试机:AMD athlon 64 2800+ 1G内存 xp)。
  • 1.6版在complex基础上实现了最多分词(max-word)。“很好听” -> "很好|好听"; “中华人民共和国” -> "中华|华人|共和|国"; “中国人民银行” -> "中国|人民|银行"。
  • 1.7-beta 版, 目前 complex 1200kb/s左右, simple 1900kb/s左右, 但内存开销了50M左右. 上几个版都是在10M左右.

作者博客:http://blog.chenlb.com/

因最近要做一个全文检索的工具,在寻找中文分词组件时,在庖丁解牛和mmseg4j中选择了mmseg4j.

这个是根据java版本翻译过来的.

欲正确运行lucene,需修改lucene2.9.2的源码Lucene.Net.Index.ReusableStringReader中的Read()修改为:

 int r = -1;
            if (upto < s.Length)
            {
                r = (int)s[upto];
                ++upto;
            }
            return r;

,否则在搜索时会找不到结果。

上图是测试运行结果。

测试代码如下:

 

String txt = "京华时报1月23日报道 昨天,受一股来自中西伯利亚的强冷空气影响,本市出现大风降温天气,白天最高气温只有零下7摄氏度,同时伴有6到7级的偏北风。";

IndexWriter iw
= new IndexWriter(GetDir, GetAna);
Document doc
= new Document();
doc.Add(
new Field("txt", txt, Field.Store.YES, Field.Index.ANALYZED));
iw.AddDocument(doc);
iw.Commit();
iw.Optimize();
iw.Close();

Console.WriteLine();

Console.WriteLine(
"indexer ok.\r\n\r\n");

IndexSearcher searcher
= new IndexSearcher(GetDir, true);
QueryParser qp
= new QueryParser("txt", GetAna);
Query q
= qp.Parse("冷空气"); //2008年底
Console.WriteLine("query>{0}", q);
TopDocs tds
= searcher.Search(q, 10);
Console.WriteLine(
"======size:" + tds.totalHits + "========");
foreach (ScoreDoc sd in tds.scoreDocs)
{
Console.WriteLine(sd.score);
Console.WriteLine(searcher.Doc(sd.doc).Get(
"txt"));
}

Console.WriteLine(
"ok.....");

 

文件下载

欢迎大家使用,我将继续发布一些关于lucene构建全文检索在应用方面的文章。

posted @ 2011-07-19 15:55  *王员外*  阅读(2818)  评论(1编辑  收藏  举报