向Lucene增加中文分词功能

一、分词功能介绍

分词模块对于搜索的重要性不言而喻。例如,没有分词时,搜索“和服”会出现“产品和服务”,搜索“海尔”会出现“海尔德”,搜索“华为”会出现“清华为何”。所以有必要给文本增加词的边界信息以提高检索精确度。

       猎兔全球首家推出支持Lucene的准确可用的中文分词模块。

 

二、执行方法

 

       可以在命令行执行分词测试:

 

>java "-Ddic.dir=D:/lg/work/SSeg/Dic" -classpath D:\JAVA\lib\lucene-1.4.jar;D:\JAVA\lib\seg.jar test.seg.result.CnTokenizer

 

       其中系统参数dic.dir指定数据文件路径,如:

"-Ddic.dir=D:/lg/work/SSeg/Dic"

 

       或者编写一个用于测试的Jsp页面。

 

三、调用接口

 

seg.result.CnTokenizer,该类继承org.apache.lucene.analysis.Tokenizer。

 

一个简单的使用例子是:

 

import java.io.Reader;

import java.util.Set;

 

import org.apache.lucene.analysis.Analyzer;

import org.apache.lucene.analysis.LowerCaseFilter;

import org.apache.lucene.analysis.StopFilter;

import org.apache.lucene.analysis.TokenStream;

 

/**

 * @author luogang

 *

 */

public class CnAnalyzer extends Analyzer {

       //~ Static fields/initializers ---------------------------------------------

 

       /**

        * An array containing some Chinese words that are not usually

        * useful for searching.

        */

       private static String[] stopWords = {

              "www","的","和","与","时","在",

              "是","被","所","那","这","有",

              "将","会","为","对","了","过",

              "去"};

 

       //~ Instance fields --------------------------------------------------------

 

       /** stop word list */

       private Set stopSet;

 

       //~ Constructors -----------------------------------------------------------

 

       /**

        * Builds an analyzer which removes words in STOP_WORDS.

        */

       public CnAnalyzer() {

              stopSet = StopFilter.makeStopSet(stopWords);

       }

 

       /**

        * Builds an analyzer which removes words in the provided array.

        *

        * @param stopWords stop word array

        */

       public CnAnalyzer(String[] stopWords) {

              stopSet = StopFilter.makeStopSet(stopWords);

       }

 

       //~ Methods ----------------------------------------------------------------

 

       /**

        * get token stream from input

        *

        * @param fieldName lucene field name

        * @param reader input reader

        *

        * @return TokenStream

        */

       public final TokenStream tokenStream(String fieldName, Reader reader) {

              TokenStream result = new CnTokenizer(reader);

              return new StopFilter(result, stopSet);

       }

      

}

 

四、输出结果介绍

输出结果中的词性标注代码说明如下:

代码

名称

帮助记忆的诠释

Ag

形语素

形容词性语素。形容词代码为a,语素代码g前面置以A。

a

形容词

取英语形容词adjective的第1个字母。

ad

副形词

直接作状语的形容词。形容词代码a和副词代码d并在一起。

an

名形词

具有名词功能的形容词。形容词代码a和名词代码n并在一起。

b

区别词

取汉字“别”的声母。

c

连词

取英语连词conjunction的第1个字母。

Dg

副语素

副词性语素。副词代码为d,语素代码g前面置以D。

d

副词

取adverb的第2个字母,因其第1个字母已用于形容词。

e

叹词

取英语叹词exclamation的第1个字母。

f

 

方位词

取汉字“方”

g

 

语素

 

绝大多数语素都能作为合成词的“词根”,取汉字“根”的声母。

h

 

前接成分 

取英语head的第1个字母。

i

 

成语

取英语成语idiom的第1个字母。

j

 

简称略语 

取汉字“简”的声母。

k

 

后接成分

 

l

习用语 

习用语尚未成为成语,有点“临时性”,取“临”的声母。

m

 

数词 

取英语numeral的第3个字母,n,u已有他用。

Ng 

名语素 

名词性语素。名词代码为n,语素代码g前面置以N。

n

 

名词

取英语名词noun的第1个字母。

nr 

人名

名词代码n和“人(ren)”的声母并在一起。

ns

 

地名

名词代码n和处所词代码s并在一起。

nt

 

机构团体

“团”的声母为t,名词代码n和t并在一起。

nz 

其他专名 

“专”的声母的第1个字母为z,名词代码n和z并在一起。

o

 

拟声词 

取英语拟声词onomatopoeia的第1个字母。

p

介词

取英语介词prepositional的第1个字母。

q

 

量词

 

取英语quantity的第1个字母。

代词 

取英语代词pronoun的第2个字母,因p已用于介词。

处所词 

取英语space的第1个字母。

Tg

时语素 

时间词性语素。时间词代码为t,在语素的代码g前面置以T。

t

时间词 

取英语time的第1个字母。

u

助词 

取英语助词auxiliary

Vg

 

动语素 

动词性语素。动词代码为v。在语素的代码g前面置以V。

v

 

动词

取英语动词verb的第一个字母。

vd

副动词

直接作状语的动词。动词和副词的代码并在一起。

vn 

名动词 

指具有名词功能的动词。动词和名词的代码并在一起。

w

标点符号

 

非语素字 

非语素字只是一个符号,字母x通常用于代表未知数、符号。

y

 

语气词 

取汉字“语”的声母。

状态词 

取汉字“状”的声母的前一个字母。

 

五、分词效果

搜索“美的”,我们的结果是前22条全部是与“美的”品牌相关的新闻,百度的结果是前4条是相关的,中搜的结果是前10条中有4条是相关的。

 

附件:

posted @ 2016-04-04 14:46  肆季风  阅读(314)  评论(0编辑  收藏  举报