分词工具ICTCLAS5.0使用心得

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, , , Outputfilenameb);

            int nCount = ;
            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, );//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 = ;

            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。