详解mmseg

本文先介绍下mmseg的概念和算法，再说下mmseg4j-solor的3个分词器用法

1.mmseg概念

mmseg是用于中文切词的算法，即Maximum Matching Segment，最大匹配分词。根据在词典（语料库）中的匹配情况把原文切分成一个个词语

2.两种方法

为了便于后续介绍，假设要切分的原文是C1 C2 C3 C4 C5 C6, C表示一个汉字。

简单最大匹配：从头依次查找最长的词语，以此切割。如 [研究生], [研究, 生]

复杂最大匹配：是简单最大匹配的变体，引入三词块的概念，先找到所有可能的连续的三个词语组成的块，以块为单位运用如下规则来确定切割方式。

• 规则1：块长度最长（包含字符个数最多）Maximum matching
• 规则2：块中三个词的平均长度最长， Largest average word length
• 规则3：三词长度的方差最小， Smallest variance of word lengths
• 规则4：单字频率对数和最大，Largest sum of degree of morphemic freedom of one-character words

复杂最大匹配算法依次运用上面规则来消除歧义，选择符合规则的切词方案

3.mmseg4j-solor提供的3个analyzer

打印切词结果code如下。

    private void print(Analyzer analyzer, String str) throws IOException {
        TokenStream stream = analyzer.tokenStream("", new StringReader(str));
        StringBuilder sb = new StringBuilder();
        stream.reset();
        while (stream.incrementToken()) {
            sb.append("[").append(stream.getAttribute(CharTermAttribute.class).toString() + "]");
        }
        stream.end();
        stream.close();
        System.out.println(sb.toString());
    }

SimpleAnalyzer：简单最大匹配

SimpleAnalyzer analyzer = new SimpleAnalyzer("D:\\workspace\\TestLucene\\src\\main\\resources");
print(analyzer, "研究生命起源");

输出-[研究生][命][起源]

ComplexAnalyzer：复杂最大匹配

System.setProperty("mmseg.dic.path", "D:\\workspace\\TestLucene\\src\\main\\resources");
ComplexSeg.setShowChunk(true);
ComplexAnalyzer analyzer = new ComplexAnalyzer();
print(analyzer, "研究生命起源");
print(analyzer, "输入法");

输出：

[研究][生命][起源]

[输入法]

MaxWordAnalyzer: 最多分词切割，是ComplexAnalyzer的子类，在其基础上对词长度做了控制，不允许词长度超过2

MaxWordAnalyzer analyzer = new MaxWordAnalyzer("D:\\workspace\\TestLucene\\src\\main\\resources");
print(analyzer, "研究生命起源");
print(analyzer, "输入法");

输出：

[研究][生命][起源]

[输入][法]

细心的读者会发现上面的代码使用了两种设置词典路径的方法：设置mmseg.dic.path和构造函数传参。注意的是即使设置了新词典路径，mmseg4j-core中的data/words.dic也会被加载。

参考

http://technology.chtsai.org/mmseg/

https://code.google.com/archive/p/mmseg4j/