开源中文分词工具探析（三）：Ansj

Ansj是由孙健（ansjsun）开源的一个中文分词器，为ICTLAS的Java版本，也采用了Bigram + HMM分词模型（可参考我之前写的文章）：在Bigram分词的基础上，识别未登录词，以提高分词准确度。虽然基本分词原理与ICTLAS的一样，但是Ansj做了一些工程上的优化，比如：用DAT高效地实现检索词典、邻接表实现分词DAG、支持自定义词典与自定义消歧义规则等。

---

【开源中文分词工具探析】系列：

1. 开源中文分词工具探析（一）：ICTCLAS (NLPIR)
2. 开源中文分词工具探析（二）：Jieba
3. 开源中文分词工具探析（三）：Ansj
4. 开源中文分词工具探析（四）：THULAC
5. 开源中文分词工具探析（五）：FNLP
6. 开源中文分词工具探析（六）：Stanford CoreNLP
7. 开源中文分词工具探析（七）：LTP

---

1. 前言

Ansj支持多种分词方式，其中ToAnalysis为店长推荐款：

它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.如果你初次尝试Ansj如果你想开箱即用.那么就用这个分词方式是不会错的.

因此，本文将主要分析ToAnalysis的分词实现（基于ansj-5.1.0版本）。

ToAnalysis继承自抽象类org.ansj.splitWord.Analysis，重写了抽象方法getResult。其中，分词方法的依赖关系：ToAnalysis::parse -> Analysis::parseStr -> Analysis::analysisStr。analysisStr方法就干了两件事：

1. 按照消歧义规则分词；
2. 在此基础上，按照核心词典分词；

analysisStr方法的最后调用了抽象方法getResult，用于对分词DAG的再处理；所有的分词类均重写这个方法。为了便于理解ToAnalysis分词，我用Scala 2.11重写了：

import java.util

import org.ansj.domain.{Result, Term}
import org.ansj.recognition.arrimpl.{AsianPersonRecognition, ForeignPersonRecognition, NumRecognition, UserDefineRecognition}
import org.ansj.splitWord.Analysis
import org.ansj.util.TermUtil.InsertTermType
import org.ansj.util.{Graph, NameFix}

/**
  * @author rain
  */
object ToAnalysis extends Analysis {
  def parse(sentence: String): Result = {
    parseStr(sentence)
  }

  override def getResult(graph: Graph): util.List[Term] = {
    // bigram分词
    graph.walkPath()

    // 数字发现
    if (isNumRecognition && graph.hasNum)
      new NumRecognition().recognition(graph.terms)
    // 人名识别
    if (graph.hasPerson && isNameRecognition) {
      // 亚洲人名识别
      new AsianPersonRecognition().recognition(graph.terms)
      // 词黏结后修正打分, 求取最优路径
      graph.walkPathByScore()
      NameFix.nameAmbiguity(graph.terms)
      // 外国人名识别
      new ForeignPersonRecognition().recognition(graph.terms)
      graph.walkPathByScore()
    }

    // 用户自定义词典的识别
    new UserDefineRecognition(InsertTermType.SKIP, forests: _*).recognition(graph.terms)
    graph.rmLittlePath()
    graph.walkPathByScore()

    import scala.collection.JavaConversions._
    val terms = graph.terms
    new util.ArrayList[Term](terms.take(terms.length - 1).filter(t => t != null).toSeq)
  }
}

如果没看懂，没关系，且看下小节分解。

2. 分解

分词DAG

分词DAG是由类org.ansj.util.Graph实现的，主要的字段terms为org.ansj.domain.Term数组。其中，类Term为DAG的节点，字段包括：offe首字符在句子中的位置、name为词，next具有相同首字符的节点、from前驱节点、score打分。仔细看源码容易发现DAG是用邻接表（array + linked-list）方式所实现的。

Bigram模型

Bigram模型对应于一阶Markov假设，词只与其前面一个词相关，其对应的分词模型：

\begin{equation}

\arg \max \prod_{i=1}^m P(w_{i} | w_{i-1}) = \arg \min - \sum_{i=1}^m \log P(w_{i} | w_{i-1})

\label{eq:bigram}

\end{equation}

对应的词典为bigramdict.dic，格式如下：

始##始@和	11
和@尚	1
和@尚未	1
世纪@末##末	3
...

初始状态\(w_0\)对应于Bigram词典中的“始##始”，\(w_{m+1}\)对应于“末##末”。Bigram分词的实现为Graph::walkPath函数：

/**
 * bigram分词
 * @param relationMap 干涉性打分, key为"first_word \tab second_word", value为干涉性score值
 */
public void walkPath(Map<String, Double> relationMap) {
  Term term = null;
  // 给terms[0] bigram打分, 且前驱节点为root_term "始##始"
  merger(root, 0, relationMap);
  // 从第一个字符开始往后更新打分
  for (int i = 0; i < terms.length; i++) {
    term = terms[i];
    while (term != null && term.from() != null && term != end) {
      int to = term.toValue();
      // 给terms[to] bigram打分, 更新最小非零score值对应的term为前驱
      merger(term, to, relationMap);
      term = term.next();
    }
  }
  // 求解最短路径
  optimalRoot();
}

对条件概率\(P(w_{i} | w_{i-1})\)做如下的平滑处理：

\[\begin{aligned}
- \log P(w_{i} | w_{i-1}) & \approx - \log \left[ aP(w_{i-1}) + (1-a) P(w_{i}|w_{i-1}) \right] \\
& \approx - \log \left[ a\frac{f(w_{i-1})}{N} + (1-a) \left( \frac{(1-\lambda)f(w_{i-1},w_i)}{f(w_{i-1})} + \lambda \right) \right]
\end{aligned}
\]

其中，\(a=0.1\)为平滑因子，\(N=2079997\)为训练语料中的总词数，\(\lambda = \frac{1}{N}\)。上述平滑处理实现函数为MathUtil.compuScore。

求解式子\eqref{eq:bigram}的最优解等价于求解分词DAG的最短路径。Ansj采用了类似于Dijkstra的动态规划算法（作者称之为Viterbi算法）来求解最短路径。记\(G=(V,E)\)为分词DAG，其中边\((u,v) \in E\)满足如下性质：

\[v > u, \quad \forall \ (u,v) \in E
\]

即DAG顶点的序号的顺序与图流向是一致的。这个重要的性质确保了（按Graph.terms[]的index依次递增）用动态规划求解最短路径的正确性。用\(d_i\)标记源节点到节点\(i\)的最短距离，则有递推式：

\[d_i = \min_{(j,i) \in E} \ \{ d_j+ b_{(j,i)} \}
\]

其中，\(b_{(j,i)}\)为两个相邻词的条件概率的负log值-$ \log P(w_{i} | w_{j})$。上述实现请参照源码Graph::walkPath与Graph::optimalRoot。

自定义词典

Ansj支持自定义词典分词，是通过词黏结的方式——如果相邻的词黏结后正好为自定义词典中的词，则可以被分词——实现的。换句话说，如果自定义的词未能完全覆盖相邻词，则不能被分词。举个例子：

import scala.collection.JavaConversions._
val sentence = "倒模，替身算什么？钟汉良、ab《孤芳不自赏》抠图来充数"
println(ToAnalysis.parse(sentence).mkString(" "))
// 倒/v 模/ng ，/w 替身/n 算/v 什么/r ？/w 钟汉良/nr 、/w ab/en 《/w 孤芳/nr 不/d 自赏/v 》/w 抠/v 图/n 来/v 充数/v

DicLibrary.insert(DicLibrary.DEFAULT, "身算")
DicLibrary.insert(DicLibrary.DEFAULT, "抠图")
println(ToAnalysis.parse(sentence).mkString(" "))
// 倒/v 模/ng ，/w 替身/n 算/v 什么/r ？/w 钟汉良/nr 、/w ab/en 《/w 孤芳/nr 不/d 自赏/v 》/w 抠图/userDefine 来/v 充数/v

3. 参考资料

[1] goofyan, ansj词典加载及简要分词过程.