lvxb/word

Chinese Word Segmentation Component （中文分词组件 - word）

Chinese Word Segmentation Component （中文分词组件 - word）

分词使用方法：

1、快速体验
运行项目根目录下的脚本demo-word.bat可以快速体验分词效果
用法: command [text] [input] [output]
命令command的可选值为：demo、text、file
demo
text 杨尚川是APDPlat应用级产品开发平台的作者
file d:/text.txt d:/word.txt
exit

2、对文本进行分词
移除停用词：List<Word> words = WordSeg.seg("杨尚川是APDPlat应用级产品开发平台的作者");
保留停用词：List<Word> words = WordSeg.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者");
			System.out.println(words);

输出：
移除停用词：[杨尚川, apdplat, 应用级, 产品开发, 平台, 作者]
保留停用词：[杨尚川, 是, apdplat, 应用级, 产品开发, 平台, 的, 作者]

3、对文件进行分词
String input = "d:/text.txt";
String output = "d:/word.txt";
移除停用词：WordSeg.seg(new File(input), new File(output));
保留停用词：WordSeg.segWithStopWords(new File(input), new File(output));

4、自定义配置文件
默认配置文件为类路径下的word.conf，打包在word-x.x.jar中
自定义配置文件为类路径下的word.local.conf，需要用户自己提供
如果自定义配置和默认配置相同，自定义配置会覆盖默认配置
配置文件编码为UTF-8
	
5、自定义用户词库
自定义用户词库为一个或多个文件夹或文件，可以使用绝对路径或相对路径
用户词库由多个词典文件组成，文件编码为UTF-8
词典文件的格式为文本文件，一行代表一个词
可以通过系统属性或配置文件的方式来指定路径，多个路径之间用逗号分隔开
类路径下的词典文件，需要在相对路径前加入前缀classpath:
	
指定方式有三种：
	指定方式一，编程指定（高优先级）：
		System.setProperty("dic.path", "classpath:dic.txt，d:/custom_dic");
	指定方式二，Java虚拟机启动参数（中优先级）：
		java -Ddic.path=classpath:dic.txt，d:/custom_dic
	指定方式三，配置文件指定（低优先级）：
		使用类路径下的文件word.local.conf来指定配置信息
		dic.path=classpath:dic.txt，d:/custom_dic

如未指定，则默认使用类路径下的dic.txt词典文件

6、自定义停用词词库
使用方式和自定义用户词库类似，配置项为：
stopwords.path=classpath:stopwords.txt，d:/custom_stopwords_dic
	
7、自动检测词库变化
可以自动检测自定义用户词库和自定义停用词词库的变化
包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径
如：
classpath:dic.txt，classpath:custom_dic_dir,
d:/dic_more.txt，d:/DIC_DIR，D:/DIC2_DIR，my_dic_dir，my_dic_file.txt

classpath:stopwords.txt，classpath:custom_stopwords_dic_dir，
d:/stopwords_more.txt，d:/STOPWORDS_DIR，d:/STOPWORDS2_DIR，stopwords_dir，remove.txt

Lucene插件：

Analyzer analyzer = new ChineseWordAnalyzer();

TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者");
while(tokenStream.incrementToken()){
	CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);
	OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
	System.out.println(charTermAttribute.toString()+" "+offsetAttribute.startOffset());
}

Directory directory = new RAMDirectory();
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_47, analyzer);
IndexWriter indexWriter = new IndexWriter(directory, config);

QueryParser queryParser = new QueryParser(Version.LUCENE_47, "text", analyzer);
Query query = queryParser.parse("text:杨尚川");
TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);

Solr插件：

将solr-4.7.1/example/solr/collection1/conf/schema.xml文件中所有的
<tokenizer class="solr.WhitespaceTokenizerFactory"/>和
<tokenizer class="solr.StandardTokenizerFactory"/>全部替换为
<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>

执行 mvn clean install 生成word中文分词组件target/word-1.0.jar

创建目录solr-4.7.1/example/solr/lib，将target/word-1.0.jar文件复制到lib目录

ElasticSearch插件：

1、执行命令： mvn clean install dependency:copy-dependencies

2、创建目录elasticsearch-1.1.0/plugins/word

3、将中文分词库文件target/word-1.0.jar和依赖的日志库文件	
	target/dependency/slf4j-api-1.6.4.jar
	target/dependency/logback-core-0.9.28.jar
	target/dependency/logback-classic-0.9.28.jar	
	复制到刚创建的word目录

4、修改文件elasticsearch-1.1.0/config/elasticsearch.yml，新增如下配置：	
	index.analysis.analyzer.default.type : "word"

5、启动ElasticSearch测试效果，在Chrome浏览器中访问：	
	http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者

词向量：

从大规模语料中统计一个词的上下文相关词，并用这些上下文相关词组成的向量来表达这个词。
通过计算词向量的相似性，即可得到词的相似性。
相似性的假设是建立在如果两个词的上下文相关词越相似，那么这两个词就越相似这个前提下的。

通过运行项目根目录下的脚本demo-word-vector-corpus.bat来体验word项目自带语料库的效果

如果有自己的文本内容，可以使用脚本demo-word-vector-file.bat来对文本分词、建立词向量、计算相似性

分词算法文章：

1、中文分词算法 之 基于词典的正向最大匹配算法

2、中文分词算法 之 基于词典的逆向最大匹配算法

3、中文分词算法 之 词典机制性能优化与测试

4、中文分词算法 之 基于词典的正向最小匹配算法

5、中文分词算法 之 基于词典的逆向最小匹配算法