java代码带你玩玩数据挖掘之分词入门

要让计算机理解句子的语义，必须要有个程序，上面的句子和发布时间是输入，输出就是 “高兴”。要得到“高兴”就要建立 “高兴”的规则，可以建一个感情色彩词库，比如 高兴（识别词是高兴、happy），愤怒（识别词是愤怒、生气）。这里的识别词就是输入中出现的词语，比如上面的句子中的“happy”就识别出了“高兴”这个感情色彩词。但是光识别出“happy”肯定是不行的，前面的“假如。。。没。。。，我。。。不。。。”等关键词都需要识别出来，才能完整判断一个句子的意思。为了达到这个效果，就必须要用分词技术了。

我们先人工对上面的句子来进行一下切词，使用斜线分割：“你/假如/上午/没/给/我/吃/冰淇淋/，/我/绝对/会/不/happy/的/。/”。但是程序如何做到自动切分？这个其实中国的前辈们已经做了很多中文分词的研究，常见的分词算法有：

• 1、基于词典的分词，需要先预设一个分词词典，比如上面句子切分出来的“假如、上午”这些词先存放在词典，然后把句子切分成单字组合成词语去词典里查找，匹配上了就挑选出来一个词。没有匹配上的就切分成单字。

• 2、基于统计的分词，需要先获取大量的文本语料库（比如新闻、微博等），然后统计文本里相邻的字同时出现的次数，次数越多就越可能构成一个词。当达到一定次数时就构成了一个词即可形成语料概率库。再对上面句子进行单字切分，把字与字结合后在语料概率库里查找对应的概率，如果概率大于一定值就挑选出来形成一个词。这个是大概描述，实际生产环境中还需要对句子的上下文进行结合才能更准确的分词。

• 3、基于语义的分词，简而言之就是模拟人类对句子的理解来进行分词。需要先整理出中文语句的句法、语义信息作为知识库，然后结合句子的上下文，对句子进行单字切分后组合成词逐个带入知识库进行识别，识别出来就挑选出一个词。目前还没有特别成熟的基于语义的分词系统。

  为了让大家快速的了解分词技术，我们采用第一个方式来做测试：基于词典的分词，这种方式简单暴力可以解决百分之七八十的问题。基于词典的分词大概分为以下几种方式：

   

  1、正向最大匹配

  
  

  沿着我们看到的句子逐字拆分后组合成词语到词典里去匹配，直到匹配不到词语为止。举个实际的例子：“人民大会堂真雄伟”，我们先拆分为单字“人”去词典里去查找，发现有“人”这个词，继续组合句子里的单字组合“人民”去词典里查找，发现有“人民”这个词，以此类推发现到“人民大会堂”，然后会结合“人民大会堂真”去词典里查找没有找到这个词，第一个词“人民大会堂”查找结束。最终分词的结果为：“人民大会堂/真/雄伟”。

  

   

  2、逆向最大匹配

   

  
  

  这个和上面相反，就是倒着推理。比如“沿海南方向”，我们按正向最大匹配来做就会切分成 “沿海/南方/向”，这样就明显不对。采用逆向最大匹配法则来解决这个问题，从句子的最后取得“方向”这两个字查找词典找到“方向”这个词。再加上“南方向”组成三字组合查找词典没有这个词，查找结束，找到“方向”这个词。以此类推，最终分出“沿/海南/方向”。

   

  3、双向最大匹配

   

   

  顾名思义就是结合正向最大匹配和逆向最大匹配，最终取其中合理的结果。最早由哈工大王晓龙博士理论化的取最小切分词数，比如“我在中华人民共和国家的院子里看书”，正向最大匹配切分出来为“我/在/中华人民共和国/家/的/院子/里/看书”工8个词语，逆向最大匹配切分出来为“我/在/中华/人民/共/和/国家/的/院子/里/看书”共11个词语。取正向最大匹配切出来的结果就是正确的。但是如果把上面那个例子“沿海南方向”双向切分，都是3个词语，改如何选择？看第4个《最佳匹配法则》。

   

  4、最佳匹配法则

   

   

  先准备一堆文本语料库、一个词库，统计词库里的每一个词在语料库里出现的次数记录下来。最后按照词频高的优先选出，比如“沿海南方向”，正向切分为：“沿海/南方/向”，逆向切分为：“沿/海南/方向”。其中“海南”的频度最高，优先取出来。剩下“沿”、“方向”也就正常切分了。是不是这就是基于词典分词的最佳方案？比如数学之美中提到的：“把手抬起来” 和 “这扇门的把手”，可以分为“把”、“手”、“把手”，不管怎么分总有一句话的意思不对。后续再介绍如何通过统计的分词处理这些问题。

  说了这么多，我们来实战一下如何基于词典的分词：

  ?

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

  <code>public?class?TestPositiveMatch?{ ? ?public?static?void?main(String[] args)?{ ? ? ? ?String str =?"我爱这个中华人民共和国大家庭"; ? ? ? ?List<string> normalDict =?new?ArrayList<string>();   ? ? ? ?normalDict.add(""); ? ? ? ?normalDict.add("爱"); ? ? ? ?normalDict.add("中华"); ??//测试词库里有中华和中华人民共和国，按照最大匹配应该匹配出中华人民共和国 ? ? ? ?normalDict.add("中华人民共和国");   ? ? ? ?int?strLen = str.length(); ?//传入字符串的长度 ? ? ? ?int?j =?0; ? ? ? ?String matchWord =?"";?//根据词库里识别出来的词 ? ? ? ?int?matchPos =?0;?//根据词库里识别出来词后当前句子中的位置 ? ? ? ?while?(j < strLen) { ? ? ?//从0字符匹配到字符串结束 ? ? ? ? ? ?int?matchPosTmp =?0; ??//截取字符串的位置 ? ? ? ? ? ?int?i =?1; ? ? ? ? ? ?while?(matchPosTmp < strLen) { ??//从当前位置直到整句结束，匹配最大长度 ? ? ? ? ? ? ? ?matchPosTmp = i + j; ? ? ? ? ? ? ? ?String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串 ? ? ? ? ? ? ? ?if?(normalDict.contains(keyTmp)) {?//判断当前字符串是否在词典中 ? ? ? ? ? ? ? ? ? ?matchWord = keyTmp; ?//如果在词典中匹配上了就赋值 ? ? ? ? ? ? ? ? ? ?matchPos = matchPosTmp;?//同时保存好匹配位置 ? ? ? ? ? ? ? ?} ? ? ? ? ? ? ? ?i++; ? ? ? ? ? ?} ? ? ? ? ? ?if?(!matchWord.isEmpty()) { ? ? ? ? ? ? ? ?//有匹配结果就输出最大长度匹配字符串 ? ? ? ? ? ? ? ?j = matchPos; ? ? ? ? ? ? ? ?//保存位置，下次从当前位置继续往后截取 ? ? ? ? ? ? ? ?System.out.print(matchWord +?" "); ? ? ? ? ? ?}?else?{ ? ? ? ? ? ? ? ?//从当前词开始往后都没有能够匹配上的词，则按照单字切分的原则切分 ? ? ? ? ? ? ? ?System.out.print(str.substring(j, ++j) +?" "); ? ? ? ? ? ?} ? ? ? ? ? ?matchWord =?""; ? ? ? ?} ? ?} }</string></string></code>

  输出结果为： 我 爱 这 个 中华人民共和国 大 家 庭

  按照这样我们一个基本的分词程序开发完成。

  对于文章一开始提到的问题还没解决，如何让程序识别文本中的感情色彩。现在我们先要构建一个感情色彩词库“高兴”，修饰词库“没”、”不”。再完善一下我们的程序：

  ?

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81

  <code><code>public?class?TestSentimentPositiveMatch?{ ? ?public?static?void?main(String[] args)?{ ? ? ? ?String str =?"你假如上午没给我吃冰淇淋，我绝对会不happy的。";   ? ? ? ?//语义映射 ? ? ? ?Map<string, string=""> sentimentMap =?new?HashMap<string, string="">(); ? ? ? ?sentimentMap.put("happy",?"高兴");   ? ? ? ?//情感词库 ? ? ? ?List<string> sentimentDict =?new?ArrayList<string>(); ? ? ? ?sentimentDict.add("happy");   ? ? ? ?//修饰词 ? ? ? ?List<string> decorativeDict =?new?ArrayList<string>(); ? ? ? ?decorativeDict.add("不"); ? ? ? ?decorativeDict.add("没");   ? ? ? ?//修饰词衡量分数 ? ? ? ?Map<string, double=""> decorativeScoreMap =?new?HashMap<string, double="">(); ? ? ? ?decorativeScoreMap.put("不",?-0.5); ? ? ? ?decorativeScoreMap.put("没",?-0.5);   ? ? ? ?List<string> decorativeWordList =?new?ArrayList<string>(); ?//修饰词 ? ? ? ?String sentimentResult =?"";?//情感结果   ? ? ? ?int?strLen = str.length(); ?//传入字符串的长度 ? ? ? ?int?j =?0; ? ? ? ?String matchSentimentWord =?"";?//根据词库里识别出来的情感词 ? ? ? ?String matchDecorativeWord =?"";?//根据词库里识别出来的修饰词 ? ? ? ?int?matchPos =?0;?//根据词库里识别出来词后当前句子中的位置 ? ? ? ?while?(j < strLen) { ? ? ?//从0字符匹配到字符串结束 ? ? ? ? ? ?int?matchPosTmp =?0; ??//截取字符串的位置 ? ? ? ? ? ?int?i =?1; ? ? ? ? ? ?while?(matchPosTmp < strLen) { ??//从当前位置直到整句结束，匹配最大长度 ? ? ? ? ? ? ? ?matchPosTmp = i + j; ? ? ? ? ? ? ? ?String keyTmp = str.substring(j, matchPosTmp);//切出最大字符串 ? ? ? ? ? ? ? ?if?(sentimentDict.contains(keyTmp)) {?//判断当前字符串是否在词典中 ? ? ? ? ? ? ? ? ? ?matchSentimentWord = keyTmp; ?//如果在词典中匹配上了就赋值 ? ? ? ? ? ? ? ? ? ?matchPos = matchPosTmp;?//同时保存好匹配位置 ? ? ? ? ? ? ? ?} ? ? ? ? ? ? ? ?if?(decorativeDict.contains(keyTmp)) {?//判断当前字符串是否在词典中 ? ? ? ? ? ? ? ? ? ?matchDecorativeWord = keyTmp; ?//如果在词典中匹配上了就赋值 ? ? ? ? ? ? ? ? ? ?matchPos = matchPosTmp;?//同时保存好匹配位置 ? ? ? ? ? ? ? ?} ? ? ? ? ? ? ? ?i++; ? ? ? ? ? ?} ? ? ? ? ? ?if?(!matchSentimentWord.isEmpty()) { ? ? ? ? ? ? ? ?//有匹配结果就输出最大长度匹配字符串 ? ? ? ? ? ? ? ?j = matchPos; ? ? ? ? ? ? ? ?//保存位置，下次从当前位置继续往后截取 ? ? ? ? ? ? ? ?System.out.print(matchSentimentWord +?" "); ? ? ? ? ? ? ? ?sentimentResult = sentimentMap.get(matchSentimentWord); ? ? ? ? ? ?} ? ? ? ? ? ?if?(!matchDecorativeWord.isEmpty()) { ? ? ? ? ? ? ? ?//有匹配结果就输出最大长度匹配字符串 ? ? ? ? ? ? ? ?j = matchPos; ? ? ? ? ? ? ? ?//保存位置，下次从当前位置继续往后截取 ? ? ? ? ? ? ? ?System.out.print(matchDecorativeWord +?" "); ? ? ? ? ? ? ? ?decorativeWordList.add(matchDecorativeWord); ? ? ? ? ? ?}?else?{ ? ? ? ? ? ? ? ?//从当前词开始往后都没有能够匹配上的词，则按照单字切分的原则切分 ? ? ? ? ? ? ? ?System.out.print(str.substring(j, ++j) +?" "); ? ? ? ? ? ?} ? ? ? ? ? ?matchSentimentWord =?""; ? ? ? ? ? ?matchDecorativeWord =?""; ? ? ? ?}   ? ? ? ?double?totalScore =?1; ? ? ? ?for?(String decorativeWord : decorativeWordList) { ? ? ? ? ? ?Double scoreTmp = decorativeScoreMap.get(decorativeWord); ? ? ? ? ? ?totalScore *= scoreTmp; ? ? ? ?}   ? ? ? ?System.out.print("\r\n"); ? ? ? ?if?(totalScore >?0) { ? ? ? ? ? ?System.out.println("当前心情是："?+ sentimentResult); ? ? ? ?}?else?{ ? ? ? ? ? ?System.out.println("当前心情是：不"?+ sentimentResult); ? ? ? ?} ? ?} }</string></string></string,></string,></string></string></string></string></string,></string,></code></code>

  通过传入“你假如上午没给我吃冰淇淋，我绝对会不happy的。”，结果输出为：“当前心情是：高兴”。当然你也可以改变其中的修饰词，比如改为：“你假如上午没给我吃冰淇淋，我绝对会happy的。”，结果输出为：“当前心情是：不高兴”。

  机器再也不是冷冰冰的，看起来他能读懂你的意思了。不过这只是一个开始，抛出几个问题：

  1、如何让程序识别句子中的时间？比如“上午”、“下午2点”。
2、如何处理“把手抬起来” 和 “这扇门的把手”中的“把”与“手”的问题？
3、如何构建海量的知识库，让程序从“婴儿”变成“成年人”？
4、如何使用有限的存储空间海量的知识库？
5、如何提高程序在海量知识库中查找定位信息的效率？
6、如何识别新词、人名、新鲜事物等未知领域？

本文来源：SecYe安全网[http://www.secye.com] (责任编辑：SecYe安全)

• ·eclipse中增大tomcat内存
• ·SpringBoot Druid整合，SpringBoot 集成D
• ·java代码带你玩玩数据挖掘之分词入门
• ·JVM虚拟机的加载机制详解
• ·Java 关键字
• ·Java strictfp关键字的全法代码及非法代
• ·自学 Java 怎么入门？
• ·Java性能调优的11个实用技巧
• ·Java网络基础，Socket通信基础
• ·Java关键字volatile的理解与正确使用
• ·对于学习Java的新手一些基础的建议
• ·最新java学习资源分享
• ·40个Java多线程问题总结
• ·35个Java代码性能优化总结
• ·activemq activeMQ的简单介绍
• ·JavaWeb学习总结