BLOG原创与Lucene 4.10配合的中文分词比较
Posted 瀚思科技
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了BLOG原创与Lucene 4.10配合的中文分词比较相关的知识，希望对你有一定的参考价值。
比较目的
衡量每种分词的指标，内存消耗、CPU消耗，得到一个在Lucene中比较好的分词版本。
分词源代码介绍
paoding： 庖丁解牛最新版在 https://code.google.com/p/paoding/ 中最多支持Lucene 3.0，且最新提交的代码在 2008-06-03，在svn中最新也是2010年提交，已经过时，不予考虑。
mmseg4j：最新版已从 https://code.google.com/p/mmseg4j/ 移至 https://github.com/chenlb/mmseg4j-solr ，支持Lucene 4.10，且在github中最新提交代码是2014年6月，从09年～14年一共有：18个版本，也就是一年几乎有3个大小版本，有较大的活跃度，用了mmseg算法。
IK-analyzer： 最新版在https://code.google.com/p/ik-analyzer/上，支持Lucene 4.10从2006年12月推出1.0版开始， IKAnalyzer已经推出了4个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。从3.0版本开 始，IK发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。在2012版本中，IK实现了简单的分词 歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。 但是也就是2012年12月后没有在更新。
ansj_seg：最新版本在 https://github.com/NLPchina/ansj_seg tags仅有1.1版本，从2012年到2014年更新了大小6次，但是作者本人在2014年10月10日说明：“可能我以后没有精力来维护ansj_seg了”，现在由”nlp_china”管理。2014年11月有更新。并未说明是否支持Lucene，是一个由CRF（条件随机场）算法所做的分词算法。
imdict-chinese-analyzer：最新版在 https://code.google.com/p/imdict-chinese-analyzer/ ， 最新更新也在2009年5月，下载源码，不支持Lucene 4.10 。是利用HMM（隐马尔科夫链）算法。
Jcseg：最新版本在git.oschina.net/lionsoul/jcseg，支持Lucene 4.10，作者有较高的活跃度。利用mmseg算法。
测试环境
Ubuntu 14.04 64位， 内存 32GB, CPU Intel® Core™ i7-4770K CPU @ 3.50GHz × 8
分词算法衡量指标及测试代码
黄金标准/Golden standard
评价一个分词器分词结果的好坏，必然要有一份“公认正确”的分词结果数据来作为参照。 SIGHAN（国际计算语言学会（ACL）中文语言处理小组）举办的国际中文语言处理竞赛Second International Chinese Word Segmentation Bakeoff（http://sighan.cs.uchicago.edu/bakeoff2005/）所提供的公开数据来评测，它包含了多个测试集以及对应的黄金标准分词结果。在所有分词器都使用同一标准来评测的情况下，也就会很公平，并不会影响到最终的结论，所以本文用此测评标准，并针对创建索引，做了些改动。
评价指标
精度（Precision）：精度表明了分词器分词的准确程度。
召回率（Recall）：召回率也可认为是“查全率”。
F值（F-mesure）：F值综合反映整体的指标。
错误率（Error Rate --ER）(带选项)：分词器分词的错误程度。
公式
Tip
公式参数说明
N：黄金标准分割的单词数；e：分词器错误标注的单词数；c：分词器正确标注的单词数
总结：P、R、F越大越好，ER越小越好。一个完美的分词器的P、R、F值均为1，ER值为0。
正确及错误标注的计数算法
要先计算出e和c，才能计算出各指标值。e和c是按如下算法来统计的： 在“黄金标准”和“待评测的结果”中，理论上，除了分词后添加的空格之外，它们所有的文字都是相同的；唯一的不同就在于那些有差异的分词结果的位置上。例如，“计算机 是个 好东西”（黄金标准）与“计算机 是 个 好东西”（待评测的结果）的差异就在于“是个”与“是 个”的差异，其余分词结果都是相同的。因此，只需要找到这种差异的个数，就可以统计出分词器正确标注了多少个词、错误标注了多少个词。为了完成测试指标，同时，对应Lucene的检索实际需要对黄金标准的 *_test_gold和分词结果做了如下改动：
去掉标点符号
统一对一些虚词作停词处理
没有分开句子，结果都是一个比较集。
统一的perl处理代码
Java测试代码
运行Java通过重定向到一个txt文件，再将彼此分开，如上所示，没有看过Lucene本身的分词的烂，所以自己也查看了一下，果然很烂。 通过对结果的处理(用上面的Perl脚本，统一对标准和对结果的处理)。再利用 黄金标准中的Perl评分脚本。
Table 1. 评分结果
Note
此结果并没有按照黄金标准正确用法来用（主要没有用黄金标准来训练，且评分本身是一句一句的评分，最后是综合得分。 而本文是所有内容一起评分，会有一定误差）。同时：现在的分词，比较而言更加智能，能将数量词等（一位，同志们）分在一起，是以前可能没能想过的。 虽然，有诸多误差，但是本文只是比较相对值，只要在统一的相对正确的标准下也就能达到效果了。
分词算法内存和cup测试
在一个大的语料库中，所有文档加入Lucene索引的时间，测试内存使用情况，就将索引建立在磁盘中； 若是测试CPU使用情况，就将所以建立的内存中减小IO读写对CPU的影响。利用VisualVM查看CPU利用率、内存利用率，得到他们的时间序列图。
Java程序如下
如上所示：IK-analyzer、Jcseg、mmseg4j都是用统一接口，测试，就将其他两个给注释掉。 同时：当测试内存消耗量时， 我们需要将索引建立在磁盘中测试jar包的命令例子如下:
当测试CPU消耗时，我们尽量减小IO的消耗，那么可以将索引建立在内存中，测试jar包的命令例子如下:
得到如下面所有图所示的结果：
Figure 1. IK-Analyzer分词消耗内存
Figure 2. Jcseg分词消耗内存
Figure 3. mmseg4j分词消耗内存
Figure 4. IK-Analyzer分词CPU使用率
Figure 5. Jcseg分词CPU使用率
Figure 6. mmseg4j分词CPU使用率
从几个指标对比来看：IK-analyzer的准确度稍差，Jcseg的时间消耗稍差。
时间消耗上：在索引创建1,003,057 items, totalling 2.8 GB的文件:
综上所有因素：
准确率为：Jcseg > mmseg4j > IK-Analyzer。
内存消耗和CPU使用率上，几个都在一个数量级上，很难分出胜负。
但是在时间消耗上明显mmseg4j的优势非常突出。
从活跃度来看，mmseg4j的活跃度也是非常可喜的。
如何查阅BLOG？
点击最下方【阅读原文】
或登录【瀚思官网-BLOG频道】
http://www.hansight.com/blog-list-1.html
更多BLOG：
回复140825：如何在Kibana 3里支持ElasticSearch的Aggregation
回复141030：为什么安全要用到大数据？
以上是关于BLOG原创与Lucene 4.10配合的中文分词比较的主要内容，如果未能解决你的问题，请参考以下文章