基于Tire树和最大概率法的中文分词功能的Java实现

对于分词系统的实现来说，主要应集中在两方面的考虑上：一是对语料库的组织，二是分词策略的制订。

1.   Tire树

Tire树，即字典树，是通过字串的公共前缀来对字串进行统计、排序及存储的一种树形结构。其具有如下三个性质：

1)      根节点不包含字符（或汉字），除根节点以外的每个节点只能包含一个字符（汉字）

2)      从根节点到任一节点的路径上的所有节点中的字符（汉字）按顺序排列的字符串（词组）就是该节点所对应的字符串（词组）

3)      每个节点的所有直接子节点包含的字符（汉字）各不相同

上述性质保证了从Tire树中查找任意字符串（词组）所需要比较的次数尽可能最少，以达到快速搜索语料库的目的。

如下图所示的是一个由词组集<一，一万，一万多，一万元，一上午，一下午，一下子>生成的Tire树的子树：

可见，从子树的根节点“一”开始，任意一条路径都能组成一个以“一”开头的词组。而在实际应用中，需要给每个节点附上一些数据属性，如词频，因而可以用这些属性来区别某条路径上的字串是否是一个词组。如，节点“上”的词频为-1，那么“一上”就不是一个词组。

如下的代码是Tire树的Java实现：

 

package chn.seg;import java.util.HashMap;import java.util.Map;public class TireNode {private String character;private int frequency = -1;private double antilog = -1;private Map<String, TireNode> children;public String getCharacter() {return character;}public void setCharacter(String character) {this.character = character;}public int getFrequency() {return frequency;}public void setFrequency(int frequency) {this.frequency = frequency;}public double getAntilog() {return antilog;}public void setAntilog(double antilog) {this.antilog = antilog;}public void addChild(TireNode node) {if (children == null) {children = new HashMap<String, TireNode>();}if (!children.containsKey(node.getCharacter())) {children.put(node.getCharacter(), node);}}public TireNode getChild(String ch) {if (children == null || !children.containsKey(ch)) {return null;}return children.get(ch);}public void removeChild(String ch) {if (children == null || !children.containsKey(ch)) {return;}children.remove(ch);}}

2.   最大概率法（动态规划）

最大概率法是中文分词策略中的一种方法。相较于最大匹配法等策略而言，最大概率法更加准确，同时其实现也更为复杂。

基于动态规划的最大概率法的核心思想是：对于任意一个语句，首先按语句中词组的出现顺序列出所有在语料库中出现过的词组；将上述词组集中的每一个词作为一个顶点，加上开始与结束顶点，按构成语句的顺序组织成有向图；再为有向图中每两个直接相连的顶点间的路径赋上权值，如A→B，则AB间的路径权值为B的费用（若B为结束顶点，则权值为0）；此时原问题就转化成了单源最短路径问题，通过动态规划解出最优解即可。

如句子“今天下雨”，按顺序在语料库中存在的词组及其费用如下：

今，a

今天，b

天，c

天下，d

下，e

下雨，f

雨，g

则可以生成如下的加权有向图：

显而易见，从“Start”到“End”的单源路径最优解就是“今天下雨”这个句子的分词结果。

那么，作为权值的费用如何计算呢？对于最大概率法来说，要求的是词组集在语料库中出现的概率之乘积最大。对应单源最短路径问题的费用来说，

费用 = log( 总词频 / 某一词组词频 )

通过上述公式就可以把“最大”问题化为“最小”问题，“乘积”问题化为“求和”问题进行求解了。

如下的代码是基于动态规划的最大概率法的Java实现：

 

package chn.seg;import java.io.BufferedReader;import java.io.File;import java.io.FileInputStream;import java.io.IOException;import java.io.InputStreamReader;import java.util.ArrayList;import java.util.List;public class ChnSeq {private TireNode tire = null;public void init() throws IOException, ClassNotFoundException {File file = new File("data" + File.separator + "dict.txt");if (!file.isFile()) {System.err.println("语料库不存在！终止程序！");System.exit(0);}BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(file), "utf-8"));String line = in.readLine();int totalFreq = Integer.parseInt(line);tire = new TireNode();while ((line = in.readLine()) != null) {String[] segs = line.split(" ");String word = segs[0];int freq = Integer.parseInt(segs[1]);TireNode root = tire;for (int i = 0; i < word.length(); i++) {String c = "" + word.charAt(i);TireNode node = root.getChild(c);if (node == null) {node = new TireNode();node.setCharacter(c);root.addChild(node);}root = node;}root.setFrequency(freq);root.setAntilog(Math.log((double)totalFreq / freq));}in.close();}public TireNode getTire() {return tire;}public TireNode getNodeByWord(String word) {if (tire == null) {System.err.println("需要先初始化ChnSeq对象！");return null;}TireNode node = tire;for (int i = 0; i < word.length(); i++) {String ch = word.charAt(i) + "";if (node == null) {break;} else {node = node.getChild(ch);}}return node;}private class Segment {public String word;public String endChar;public String lastChar;public double cost;public final static String START_SIGN = "<< STARTING >>";public final static String END_SIGN = "<< ENDING >>";}private List<Segment> preSegment(String sentence) {List<Segment> segs = new ArrayList<Segment>();Segment terminal = new Segment();terminal.word = Segment.START_SIGN;terminal.endChar = Segment.START_SIGN;terminal.lastChar = null;segs.add(terminal);for (int i = 0; i < sentence.length(); i++) {for (int j = i + 1; j <= sentence.length(); j++) {String word = sentence.substring(i, j);TireNode tnode = this.getNodeByWord(word);if (tnode == null) {break;}if (tnode.getFrequency() <= 0) {continue;}Segment seg = new Segment();seg.word = word;seg.endChar = word.substring(word.length() - 1, word.length());if (i == 0) {seg.lastChar = Segment.START_SIGN;} else {seg.lastChar = sentence.substring(i - 1, i);}seg.cost = tnode.getAntilog();segs.add(seg);}}terminal = new Segment();terminal.word = Segment.END_SIGN;terminal.endChar = Segment.END_SIGN;terminal.lastChar = sentence.substring(sentence.length() - 1, sentence.length());segs.add(terminal);return segs;}private String[] dynamicSegment(List<Segment> segs) {final double INFINITE = 9999999;if (segs == null || segs.size() == 0) {return null;}int n = segs.size();double[][] costs = new double[n][n];for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {costs[i][j] = INFINITE;}}for (int i = 0; i < n; i++) {String endChar = segs.get(i).endChar;for (int j = 0; j < n; j++) {String lastChar = segs.get(j).lastChar;if (lastChar != null && lastChar.equals(endChar)) {costs[i][j] = segs.get(j).cost;}}}int sp = 0; // starting pointint fp = n - 1; // finishing pointdouble[] dist = new double[n];List<List<Integer>> sPaths = new ArrayList<List<Integer>>();List<Integer> list = new ArrayList<Integer>();for (int i = 0; i < n; i++) {dist[i] = costs[sp][i];if (sp != i) {list.add(i);}if (dist[i] < INFINITE) {List<Integer> spa = new ArrayList<Integer>();sPaths.add(spa);} else {sPaths.add(null);}}while (!list.isEmpty()) {Integer minIdx = list.get(0);for (int i: list) {if (dist[i] < dist[minIdx]) {minIdx = i;}}list.remove(minIdx);for (int i = 0; i < n; i++) {if (dist[i] > dist[minIdx] + costs[minIdx][i]) {dist[i] = dist[minIdx] + costs[minIdx][i];List<Integer> tmp = new ArrayList<Integer>(sPaths.get(minIdx));tmp.add(minIdx);sPaths.set(i, tmp);}}}String[] result = new String[sPaths.get(fp).size()];for (int i = 0; i < sPaths.get(fp).size(); i++) {result[i] = segs.get(sPaths.get(fp).get(i)).word;}return result;}public String[] segment(String sentence) {return dynamicSegment(preSegment(sentence));}}

3.   测试代码

 

package chn.seg;import java.io.IOException;public class Main {public static void main(String[] args) throws ClassNotFoundException, IOException {ChnSeq cs = new ChnSeq();cs.init();String sentence = "生活的决定权也一直都在自己手上";String[] segs = cs.segment(sentence);for (String s: segs) {System.out.print(s + "\t");}}}