全文检索、数据挖掘、推荐引擎系列3---全文内容推荐引擎之中文分词

基于内容的推荐引擎有两种实现途径，一种是根据条目的元数据（可以将元数据理解为属性），另一种是根据条目的文本描述信息。本系列中将先描述基于条目描述信息的全文检索实现方式，然后描述基于元数据的内容推荐引擎实现方式。

对于基于条目文本描述信息的内容推荐引擎，目前有很多资料可以参考，基本步聚是先对文本内容进行分词，包括提取出单词、去掉常用词如的地得、加入同意词、对英语还有去掉复数形式和过去分词形式等；第二步是计算各个词在每篇文章中的出现频率，以及在所有文章中的出现频率，即TF/IDF；第三步计算文章向量；最后是利用自动聚类算法，对条目进行聚类，这样就可以实现向用户推荐同类产品的需求了。

但是在这里有一个非常重要的问题没有解决，就是中文分词的问题，这些文章中绝大部分都是以英文为背景的，而英文分词方面，分出单词很简单，只需要空格作为分隔符就可以了，而中文中词与词之间没有空格，其次是英文中单复数、过去分词等比较多，需要还原成单数现在式，但是中文中这个问题基本不存在，再有就是英文需要在分词后识别长的词组，而中文这一步也不需进行。

针对以上这些难题，在我的项目中，采用了MMSeg4j中文分词模块，这个项目集成了据说是搜狗输入法的10万多词库（大家知道中文分词的关键是中文词库）。

另外，我还希望中文分词可以在全文检索引擎和全文内容推荐引擎共用，由于全文检索引擎采用了Apache Lucene 3.x版本，需要中文分词模块符合Lucene的体系架构，幸运的是MMSeg4j提供了Lucene所需的Tokenizer实现类，同时还需要重点解决如下问题：

• 由于打开索引文件比较慢，所以整个程序共享一个indexer和searcher
• 考虑到准实时性需求，采用了Lucene新版本中reopen机制，每次查询前读入索引增量
• 采用Lucene默锁机制

在项目中我定义了全文检索引擎类：

public class FteEngine {

    public static void initFteEngine(String _indexPathname) {
        indexPathname = _indexPathname;
    }

    public static FteEngine getInstance() {                         // Singleton模式
        if (null == engine) {
            engine = new FteEngine();
        }
        return engine;
    }

    public IndexWriter getIndexWriter() {
        return writer;
    }

    public IndexSearcher getIndexSearcher() {
        try {
            IndexReader newReader = reader.reopen();      // 读入新增加的增量索引内容，满足实时索引需求
            if (!reader.equals(newReader)) {
                reader.close();
                reader = newReader;
            }
            searcher = new IndexSearcher(reader);
        } catch (CorruptIndexException e) { ....      

        } catch (IOException e) {....
        }
        return searcher;
    }

    public Analyzer getAnalyzer() {
        return analyzer;
    }

    public void stop() {
        try {
            if (searcher != null) {
                searcher.close();
            }
            reader.close();
            writer.close();
            indexDir.close();
        } catch (IOException e) {....
        }
    }

    private FteEngine() {
        analyzer = new MMSegAnalyzer();                                                                              // 初始化中文分词模块，会读入中文字典
        IndexWriterConfig iwc = new IndexWriterConfig(Version.LUCENE_31, analyzer);
        iwc.setOpenMode(OpenMode.CREATE_OR_APPEND);
        try {
            indexDir = FSDirectory.open(new File(indexPathname));                   
            writer = new IndexWriter(indexDir, iwc);                                          // writer和reader整个程序共用
            reader = IndexReader.open(writer, true);
        } catch (CorruptIndexException e) {......
        } catch (LockObtainFailedException e) {......
        } catch (IOException e) {.....
        }
    }
    private static FteEngine engine = null;
    private static String indexPathname = null;
    private Directory indexDir = null;
    private IndexWriter writer = null;
    private IndexSearcher searcher = null;
    private Analyzer analyzer = null;
    private IndexReader reader = null;
}

具体中文分词可以使用如下代码：

FteEngine fteEngine = FteEngine.getInstance();
        Analyzer analyzer = fteEngine.getAnalyzer();
        String text = "测试2011年如java有意见 分岐其中华人民共合国，oracle咬死猎人的狗！";
        TokenStream tokenStrm = analyzer.tokenStream("contents", new StringReader(text));
        OffsetAttribute offsetAttr = tokenStrm.getAttribute(OffsetAttribute.class);
        CharTermAttribute charTermAttr = tokenStrm.getAttribute(CharTermAttribute.class);
        String term = null;
        int i = 0;
        int len = 0;
        char[] charBuf = null;
        try {
            while (tokenStrm.incrementToken()) {
                charBuf = charTermAttr.buffer();
                for (i = (charBuf.length - 1); i >= 0; i--) {
                    if (charBuf[i] > 0) {
                        len = i + 1;
                        break;
                    }
                }
                //term = new String(charBuf, offsetAttr.startOffset(), offsetAttr.endOffset());
                term = new String(charBuf, 0, offsetAttr.endOffset() - offsetAttr.startOffset());
                System.out.println(term);   
            }
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }

打印的内容如下：

测试 2011 年 如 java 有 意见 分 岐 其中 华 人民 共 合 国 oracle 咬 死 猎人 的 狗

当我们在缺省词库中加入单词：分岐 中华人民共合国后，那么分词结果可以变为：

测试 2011 年 如 java 有 意见 分岐 其 中华人民共合国 oracle 咬 死 猎人 的 狗

由此可见，可以通过完善中文词库，得到越来越好的中文分词效果。