全文检索、数据挖掘、推荐引擎系列---去除停止词添加同义词
Lucene对文本解析是作为全文索引及全文检索的预处理形式出现的，因此在一般的Lucene文档中，这一部分都不是重点，往往一带而过，但是对于要建立基于文本的内容推荐引擎来说，却是相当关键的一步，因此有必要认真研究一下Lucene对文解析的过程。
Lucene对文本的解析对用户的接口是Analyzer的某个子类，Lucene内置了几个子类，但是对于英文来说StandardAnalyzer是最常用的一个子类，可以处理一般英文的文解析功能。但是对于汉字而言，Lucene提供了两个扩展包，一个是CJKAnalyzer和SmartChineseAnalyzer，其中SmartAnalyzer对处理中文分词非常适合，但是遗憾的是，该类将词典利用隐马可夫过程算法，集成在了算法里，这样的优点是减小了体积，并且安装方便，但是如果想向词库中添加单词就需要重新学习，不太方便。因此我们选择了MMSeg4j，这个开源的中文分词模块，这个开源软件的最大优点就可用户可扩展中文词库，非常方便，缺点是体积大加载慢。
首先通过一个简单的程序来看中文分词的使用：
Analyzer analyzer = null;
//analyzer = new StandardAnalyzer(Version.LUCENE_33);
//analyzer = new SimpleAnalyzer(Version.LUCENE_33);
analyzer = new MMSegAnalyzer();
TokenStream tokenStrm = analyzer.tokenStream("content", new StringReader(examples));
OffsetAttribute offsetAttr = tokenStrm.getAttribute(OffsetAttribute.class);
CharTermAttribute charTermAttr = tokenStrm.getAttribute(CharTermAttribute.class);
PositionIncrementAttribute posIncrAttr =
tokenStrm.addAttribute(PositionIncrementAttribute.class);
TypeAttribute typeAttr = tokenStrm.addAttribute(TypeAttribute.class);
String term = null;
int i = 0;
int len = 0;
char[] charBuf = null;
int termPos = 0;
int termIncr = 0;
try {
while (tokenStrm.incrementToken()) {
charBuf = charTermAttr.buffer();
termIncr = posIncrAttr.getPositionIncrement();
if (termIncr > 0) {
termPos += termIncr;
}
for (i=(charBuf.length - 1); i>=0; i--) {
if (charBuf[i] > 0) {
len = i + 1;
break;
}
}
//term = new String(charBuf, offsetAttr.startOffset(), offsetAttr.endOffset());
term = new String(charBuf, 0, offsetAttr.endOffset() - offsetAttr.startOffset());
System.out.print("[" + term + ":" + termPos + "/" + termIncr + ":" +
typeAttr.type() + ";" + offsetAttr.startOffset() + "-" + offsetAttr.endOffset() + "] ");
}
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
这里需要注意的是：
TermAttribute已经在Lucene的新版本中被标为过期，所以程序中使用CharTermAttribute来提取每个中文分词的信息
MMSegAnalyzer的分词效果在英文的条件下基本与Lucene内置的StandardAnalyzer相同
可以进行初步的中文分词之后，我们还需处理停止词去除，例如的、地、得、了、呀等语气词，还有就是添加同义词：第一种是完全意义上的同义词，如手机和移动电话，第二种是缩写与全称，如中国和中华人民共和国，第三种是中文和英文，如计算机和PC，第四种是各种专业词汇同义词，如药品名和学名，最后可能还有一些网络词语如神马和什么等。
在Lucene架构下，有两种实现方式，第一种是编写TokenFilter类来实现转换和添加，还有一种就是直接集成在相应的Analyzer中实现这些功能。如果像Lucene这样的开源软件，讲求系统的可扩展性的话，选择开发独立的TokenFilter较好，但是对于我们自己的项目，选择集成在Analyzer中将是更好的选择，这样可以提高程序执行效率，因为TokenFilter需要重新逐个过一遍所有的单词，效率比较低，而集成在Analyzer中可以保证在分解出单词的过程中就完成了各种分词操作，效率当然会提高了。
Lucene在文本解析中，首先会在Analyzer中调用Tokenizer，将文本分拆能最基本的单位，英文是单词，中文是单字或词组，我们的去除停止词和添加同义词可以放入Tokenizer中，将每个新拆分的单词进行处理，具体到我们所选用的MMSeg4j中文分词模块来说，就是需要在MMSegTokenizer类的incrementToken方法中，添加去除停止词和添加同义词：
public boolean incrementToken() throws IOException {
if (0 == synonymCnt) {
clearAttributes();
Word word = mmSeg.next();
currWord = word;
if(word != null) {
// 去除截止词如的、地、得、了等
String wordStr = word.getString();
if (stopWords.contains(wordStr)) {
return incrementToken();
}
if (synonymKeyDict.get(wordStr) != null) { // 如果具有同义词则需要先添加本身这个词，然后依次添加同义词
synonymCnt = synonymDict.get(synonymKeyDict.get(wordStr)).size(); // 求出同义词，作为结束条件控制
}
//termAtt.setTermBuffer(word.getSen(), word.getWordOffset(), word.getLength());
offsetAtt.setOffset(word.getStartOffset(), word.getEndOffset());
charTermAttr.copyBuffer(word.getSen(), word.getWordOffset(), word.getLength());
posIncrAttr.setPositionIncrement(1);
typeAtt.setType(word.getType());
return true;
} else {
end();
return false;
}
} else {
char[] charArray = null;
String orgWord = currWord.getString();
int i = 0;
Vector<String> synonyms = (Vector<String>)synonymDict.get(synonymKeyDict.get(orgWord));
if (orgWord.equals(synonyms.elementAt(synonymCnt - 1))) { // 如果是原文中出现的那个词则不作任何处理
synonymCnt--;
return incrementToken();
}
// 添加同意词
charArray = synonyms.elementAt(synonymCnt - 1).toCharArray();//termAtt.setTermBuffer(t1, 0, t1.length);
offsetAtt.setOffset(currWord.getStartOffset(), currWord.getStartOffset() + charArray.length); // currWord.getEndOffset());
typeAtt.setType(currWord.getType());
charTermAttr.copyBuffer(charArray, 0, charArray.length);
posIncrAttr.setPositionIncrement(0);
synonymCnt--;
return true;
}
}
停止词实现方式：
private static String[] stopWordsArray = {"的", "地", "得", "了", "呀", "吗", "啊",
"a", "the", "in", "on"};
在构造函数中进行初始化：
if (null == stopWords) {
int i = 0;
stopWords = new Vector<String>();
for (i=0; i<stopWordsArray.length; i++) {
stopWords.add(stopWordsArray[i]);
}
}
同义词的实现方式：
private static Collection<String> stopWords = null;
private static Hashtable<String, String> synonymKeyDict = null;
private static Hashtable<String, Collection<String>> synonymDict = null;
同样在初始化函数中进行初始化：注意这里只是简单的初始化示例
// 先找出一个词的同义词词组key值，然后可以通过该key值从
// 最终本部分内容将通过数据库驱动方式进行初始化
if (null == synonymDict) {
synonymKeyDict = new Hashtable<String, String>();
synonymDict = new Hashtable<String, Collection<String>>();
synonymKeyDict.put("猎人", "0");
synonymKeyDict.put("猎户", "0");
synonymKeyDict.put("猎手", "0");
synonymKeyDict.put("狩猎者", "0");
Collection<String> syn1 = new Vector<String>();
syn1.add("猎人");
syn1.add("猎户");
syn1.add("猎手");
syn1.add("狩猎者");
synonymDict.put("0", syn1);
// 添加狗和犬
synonymKeyDict.put("狗", "1");
synonymKeyDict.put("犬", "1");
Collection<String> syn2 = new Vector<String>();
syn2.add("狗");
syn2.add("犬");
synonymDict.put("1", syn2);
}
在经过上述程序后，再对如下中文进行解析：咬死猎人的狗
解析结果为：
[咬:1/1:word;0-1] [死:2/1:word;1-2] [猎人:3/1:word;2-4] [狩猎者:3/0:word;2-5] [猎手:3/0:word;2-4] [猎户:3/0:word;2-4] [狗:4/1:word;5-6] [犬:4/0:word;5-6]
由上面结果可以看出，已经成功将猎人和狗的同义词加入到分词的结果中，这个工具就可以作为下面全文内容推荐引擎的实现基础了。
