IK分词器原理

IKAnalyzer是一个开源的，基于Java语言开发的轻量级的中文分词语言包，它是以Lucene为应用主体，结合词典分词和文法分析算法的中文词组组件。从3.0版本开始，IK发展为面向java的公用分词组件，独立Lucene项目，同时提供了对Lucene的默认优化实现。

以下这篇博客是我在通读IK分词代码后对IK分词的理解，如果有什么地方出现纰漏请大家指正。

回到最初

如果让我自己在看IK分词之前自己写一个分词器，那我会怎么做？ 如果我会想到的是：比如对"周末有欧冠决赛"做分词处理，人为的分词是：“周末|有|欧冠|决赛”，那为什么会出现这样的分词效果，首先必须有一个词典，词典中可以标记出“周末”、“欧冠”、“决赛”这些词，因为分词器并不具备人工智能的能力，所以它所做的就是把文本和词典中的词进行比较，按照词典中已有的词进行匹配，匹配完成之后即达到了分词的效果。

现在虽然找不到第一个写分词的人是如何设计分词的算法的，但是我想是差不多的。

K分词其实也是这么来做的。将一段文字进行IK分词处理一般经过：词典加载、预处理、分词器分词、歧义处理、善后结尾 五个部分。

词典加载：

主程序需要加载词典。IK分词的词典主要包括 main2012.dic(主词典)、quantifier.dic(量词)、stopword.dic(停用词)、ext.dic(扩展词,可选)四个字典。字典的结构使用字典树进行存储。关于字典树的具体介绍可以参考： http://www.cnblogs.com/rush/archive/2012/12/30/2839996.html

预处理：

预处理是在加载文档的时候做的，其实预处理部分只是做两件事情：

• 识别出每个字符的字符类型
• 字符转化：全角转半角，大写转小写

字符类型是在分词的时候需要，不同的分词器会根据不同的字符类型做特别处理。而字符转化则是要求文本字符与词典中的字符想匹配，比如对于12288、32这两个字符，分别是汉字和英文的空格，如果一篇文本中包含了汉字包含了这两个字符，那么分词器在分词的时候需要判断两个都是空格。同理在英文大小写上也存在类似的问题。预处理主要在org.wltea.analyzer.core.CharacterUtil.java类中实现。

package org.wltea.analyzer.core;

import java.lang.Character.UnicodeBlock;

class CharacterUtil {
    public static final int CHAR_USELESS = 0;
    public static final int CHAR_ARABIC = 1;
    public static final int CHAR_ENGLISH = 2;
    public static final int CHAR_CHINESE = 4;
    public static final int CHAR_OTHER_CJK = 8;

    CharacterUtil() {
    }

    static int identifyCharType(char input) {
        if(input >= 48 && input <= 57) {//数字0-9
            return 1;
        } else if(input >= 97 && input <= 122 || input >= 65 && input <= 90) {//a-z,A-Z
            return 2;
        } else {
            UnicodeBlock ub = UnicodeBlock.of(input);
            return ub != UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS && ub != UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS && ub != UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A?(ub != UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS && ub != UnicodeBlock.HANGUL_SYLLABLES && ub != UnicodeBlock.HANGUL_JAMO && ub != UnicodeBlock.HANGUL_COMPATIBILITY_JAMO && ub != UnicodeBlock.HIRAGANA && ub != UnicodeBlock.KATAKANA && ub != UnicodeBlock.KATAKANA_PHONETIC_EXTENSIONS?0:8):4;
        }
    }

    static char regularize(char input, boolean lowercase) {
        if(input == 12288) {//全角空格
            input = 32;//半角空格
        } else if(input > '\uff00' && input < '｟') {
            input -= 'ﻠ';
        } else if(input >= 65 && input <= 90 && lowercase) {
            input = (char)(input + 32);
        }

        return input;
    }
}

分词器分词：

IK分词包括三个分词器：LetterSegmenter（字符分词器）,CN_QuantifierSegmenter（中文数量词分词器）,CJKSegmenter（中日韩文分词器）。分词器分词有两种模式，即：smart模式和非smart模式，非smart模式可以认为是最小力度的分词，smart模式则反之。

具体的实例：
     张三说的确实在理

smart模式的下分词结果为：  
     张三 | 说的 | 确实 | 在理

而非smart模式下的分词结果为：
     张三 | 三 | 说的 | 的确 | 的 | 确实 | 实在 | 在理

IK分词使用了”正向迭代最细粒度切分算法“，简单说来就是： Segmenter会逐字识别词元，设输入”*“并且”中“单个字也是字典里的一个词，那么过程是这样的：”中“是词元也是前缀（因为有各种中开头的词），加入词元”中“；继续下一个词”华“，由于中是前缀，那么可以识别出”中华“，同时”中华“也是前缀因此加入”中华“词元，并把其作为前缀继续；接下来继续发现“华人”是词元，“中华人”是前缀，以此类推……

关于IK分词的三个分词器，基本上逻辑是一样的，如果有兴趣了解的话，重点看一下CJKSegmenter就好了。

歧义处理：

非smart模式所做的就是将能够分出来的词全部输出；smart模式下，IK分词器则会根据内在方法输出一个认为最合理的分词结果，这就涉及到了歧义判断。

以“张三说的确实在理”为依据，分词的结果为：

张三 | 三 | 说的 | 的确 | 的 | 确实 | 实在 | 在理 

在判断歧义的时候首先要看词与词之间是否用冲突，“张三”与“三”相冲突，“说的”，“的确”，“的”，“确实”，“实在”，“在理”相冲突，所以分成两部分进行歧义判断。我们以后一种为例：“说的”，“的确”，“的”，“确实”，“实在”， 按照默认的生成的一组结果为“说的|确实|在理”，与这个结果相冲突的词是“的确”、“的”、“实在”。回滚生成的结果，将这三个词倒叙逐一放入到生成的结果中，生成可选分词方案是:

"实在"放入后，分词方案为："说的|实在|";
"的"放入后，生成的分词方案为："的|确实|在理";
"的确"放入后，生成的分词方案为："的确|实在";

这样加上原有的一共四种可选的分词方案，从中选取最优的方案。选取的原则顺序如下：

1、比较有效文本长度  
2、比较词元个数，越少越好  
3、路径跨度越大越好  
4、最后一个词元的位置越靠后约好（根据统计学结论，逆向切分概率高于正向切分，因此位置越靠后的优先）  
5、词长越平均越好  
6、词元位置权重比较  

总体说来就是： 主要使用的就是贪心算法获取局部最优解，然后继续处理来获取最终的结果。

善后结尾：

• 处理遗漏中文字符，遍历输入文本，把词之间每个中文字符也作为词输出，虽然词典中没有这样的词。
• 处理数量词，如果中文量词刚好出现在中文数词的后面，或者中文量词刚好出现在阿拉伯数字的后面，则把数词和量词合并。比如"九寸""十二亩"。

其它

Ik的排序方法特别粗略，如果比较发现path1的词个数，比path2的个数少，就直接判定path1更优。其实这样的规则，并未完整的参考各个分出来的词的实际情况，我们可能想加入每个词经统计出现的频率等信息，做更全面的打分，这样IK原有的比较方法就是不可行的。