分词工具ICTCLAS5.0使用心得
https://www.cnblogs.com/zidiancao/p/3557971.html
接触自然语言处理有一年多了，最基本的一些自然是分词，词性标注，命名实体识别之类的知识，有些应用知道原理是一回事，自己动手做起来又是另外一回事了。最近又开始重操旧业：分词。分词最著名的自然就是中科院的分词系统，这几天接触的ICTCLAS5.0（下载的文件夹名称是：ICTCLAS50_Windows_32_JNI）觉得不错，摸索下，记录下心得和收获。
<一>.使用
http://blog.csdn.net/wangxiafghj/article/details/8147926，我是按照这篇博客的教程操作的，基本没什么问题，可以运行。
收获：
1.TestMain.java文件中就是由两个函数构成，字面理解，一个是处理段落的，一个是处理文本的。我觉得两者没什么大区别，主要的不同是处理段落的函数testICTCLAS_ParagraphProcess(sInput)，输入的段落在程序里修改，输出的结果也是直接显示在控制端。处理文本的函数testICTCLAS_FileProcess()，输入是你指定路径下的指定文件，输出也是指定路径下的指定文件。
2.参数的修改，我觉得我使用过程中涉及到的参数修改包括是否选择标注词性，词性标记集的设置，以及文件的路径。
是否标注词性很容易，段落中将ICTCLAS_ParagraphProcess函数最后一个参数改为1即可（1 yes ,0 no）；文本中将ICTCLAS_FileProcess函数的第三个参数改为1（1 yes ,0 no）。
程序中词性标记集的设置只写了一次，在函数testICTCLAS_ParagraphProcess(sInput)内部，
//设置词性标注集(0 计算所二级标注集，1 计算所一级标注集，2 北大二级标注集，3 北大一级标注集)
testICTCLAS50.ICTCLAS_SetPOSmap(0);
我觉得这个语句在testICTCLAS_FileProcess()函数中应该再写一次，假如使用者只使用文本形式的而把段落处理的注释掉了，那词性标记集的设置岂不是很麻烦，建议把这句添加到testICTCLAS_FileProcess()函数的相应位置。
文件路径有四条语句需要修改：
//输入文件名
String Inputfilename = "e:/pos/test.txt";
byte[] Inputfilenameb = Inputfilename.getBytes();//将文件名string类型转为byte类型
//分词处理后输出文件名
String Outputfilename = "e:/pos/test_result.txt";
byte[] Outputfilenameb = Outputfilename.getBytes();//将文件名string类型转为byte类型
//文件分词(第一个参数为输入文件的名,第二个参数为文件编码类型,第三个参数为是否标记词性集1 yes,0 no,第四个参数为输出文件名)
testICTCLAS50.ICTCLAS_FileProcess(Inputfilenameb, 0, 1, Outputfilenameb);
int nCount = 0;
String usrdir = "e:/pos/userdict.txt"; //用户字典路径
byte[] usrdirb = usrdir.getBytes();//将string转化为byte类型
//第一个参数为用户字典路径，第二个参数为用户字典的编码类型(0:type unknown;1:ASCII码;2:GB2312,GBK,GB10380;3:UTF-8;4:BIG5)
nCount = testICTCLAS50.ICTCLAS_ImportUserDictFile(usrdirb, 0);//导入用户字典,返回导入用户词语个数
System.out.println("导入用户词个数" + nCount);
nCount = 0;
String Outputfilename1 = "e:/pos/testing_result.txt";
byte[] Outputfilenameb1 = Outputfilename1.getBytes();//将文件名string类型转为byte类型
按照自己的要求修改结束就可以运行出自己想要的结果了。
最后一个问题：每种词性标记集中词性代表的含义不太清楚，不废话，继续我的寻表之路。。。。
<二>.词性标注集
程序中提及的词性标注集有四种：0 计算所二级标注集，1 计算所一级标注集，2 北大二级标注集，3 北大一级标注集，但是每种标注集具体的词表还是不清楚，找到了两种标注集，中科院标注集和北大标注集。
中科院标记集
# 1. 名词 (1个一类，7个二类，5个三类)
名词分为以下子类：
n 名词 nr 人名 nr1 汉语姓氏 nr2 汉语名字
nrj 日语人名 nrf 音译人名 ns 地名 nsf 音译地名
nt 机构团体名 nz 其它专名 nl 名词性惯用语 ng 名词性语素
nw 新词
# 2. 时间词(1个一类，1个二类)
t 时间词 tg 时间词性语素
# 3. 处所词(1个一类)
s 处所词
# 4. 方位词(1个一类)
f 方位词
# 5. 动词(1个一类，9个二类)
v 动词 vd 副动词 vn 名动词 vshi 动词“是”
vyou 动词“有” vf 趋向动词 vx 形式动词 vi 不及物动词（内动词）
vl 动词性惯用语 vg 动词性语素
# 6. 形容词(1个一类，4个二类)
a 形容词 ad 副形词 an 名形词 ag 形容词性语素 al 形容词性惯用语
# 7. 区别词(1个一类，2个二类)
b 区别词 bl 区别词性惯用语
# 8. 状态词(1个一类)
z 状态词
# 9. 代词(1个一类，4个二类，6个三类)
r 代词 rr 人称代词 rz 指示代词 rzt 时间指示代词
rzs 处所指示代词 rzv 谓词性指示代词 ry 疑问代词 ryt 时间疑问代词
rys 处所疑问代词 ryv 谓词性疑问代词 rg 代词性语素
# 10. 数词(1个一类，1个二类)
m 数词 mq 数量词
# 11. 量词(1个一类，2个二类)
q 量词 qv 动量词 qt 时量词
# 12. 副词(1个一类)
d 副词
# 13. 介词(1个一类，2个二类)
p 介词 pba 介词“把” pbei 介词“被”
# 14. 连词(1个一类，1个二类)
c 连词 cc 并列连词
# 15. 助词(1个一类，15个二类)
u 助词 uzhe 着 ule 了 喽 uguo 过 ude1 的 底
ude2 地 ude3 得 usuo 所 udeng 等 等等 云云
uyy 一样 一般 似的 般 udh 的话 uls 来讲 来说 而言 说来
uzhi 之 ulian 连 （“连小学生都会”）
# 16. 叹词(1个一类)
e 叹词
# 17. 语气词(1个一类)
y 语气词(delete yg)
# 18. 拟声词(1个一类)
o 拟声词
# 19. 前缀(1个一类)
h 前缀
# 20. 后缀(1个一类)
k 后缀
# 21. 字符串(1个一类，2个二类)
x 字符串 xx 非语素字 xu 网址URL
# 22. 标点符号(1个一类，16个二类)
w 标点符号
wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖〈 半角：( [ { <
wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
wyz 左引号，全角：“ ‘ 『 wyy 右引号，全角：” ’ 』
wj 句号，全角：。 ww 问号，全角：？ 半角：? wt 叹号，全角：！ 半角：!
wd 逗号，全角：， 半角：, wf 分号，全角：； 半角： ; wn 顿号，全角：、
wm 冒号，全角：： 半角： : ws 省略号，全角：…… …
wp 破折号，全角：—— －－ ——－ 半角：--- ----
wb 百分号千分号，全角：％ ‰ 半角：%
wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$
北大标记集
还增加了一类词：un（未知词），表示不可识别词及用户自定义词组。取英文unknown前两个字母，参考CSW分词中的定义。
坑爹的是我分完的结果竟然都是un,肿么办，哭死！！
今天发现un出现的原因是因为添加了词典，只要是词典中添加的词，词性标注均为un，再想办法搞定这个大词条词性标注的问题吧。
找到的针对上一问题的解决方法了，就是在添加词典的时候将词典中词条的词性标记出来，这样就不会显示出来都是un了。
