Segment
Segment 是基于结巴分词词库实现的更加灵活，高性能的 java 分词实现。
愿景：成为 java 最好用的分词工具。
创作目的
分词是做 NLP 相关工作，非常基础的一项功能。
jieba-analysis 作为一款非常受欢迎的分词实现，个人实现的 opencc4j 之前一直使用其作为分词。
但是随着对分词的了解，发现结巴分词对于一些配置上不够灵活。
（1）有很多功能无法指定关闭，比如 HMM 对于繁简体转换是无用的，因为繁体词是固定的，不需要预测。
（2）最新版本的词性等功能好像也被移除了，但是这些都是个人非常需要的。
（3）对于中文繁体分词支持不友好。
所以自己重新实现了一遍，希望实现一套更加灵活，更多特性的分词框架。
而且 jieba-analysis 的更新似乎停滞了，个人的实现方式差异较大，所以建立了全新的项目。
Features 特点
-
面向用户的极简静态 api 设计
-
面向开发者 fluent-api 设计，让配置更加优雅灵活
-
详细的中文代码注释，便于源码阅读
-
基于 DFA 实现的高性能分词
-
基于 HMM 的新词预测
-
支持不同的分词模式
-
支持全角半角/英文大小写/中文繁简体格式处理
-
允许用户自定义词库
-
简单的词性标注实现
-
支持字典等资源的主动释放
v-0.3.0 最新变更
- 新增 wordCount 工具方法
快速入门
准备
jdk1.7+
maven 3.x+
maven 引入
<dependency>
<groupId>com.github.houbb</groupId>
<artifactId>segment</artifactId>
<version>0.3.0</version>
</dependency>相关代码参见 SegmentHelperTest.java
默认分词示例
返回分词，下标等信息。
final String string = "这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱学习。";
List<ISegmentResult> resultList = SegmentHelper.segment(string);
Assert.assertEquals("[这是[0,2), 一个[2,4), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14), 我[14,15), 叫[15,16), 孙悟空[16,19), ，[19,20), 我爱[20,22), 北京[22,24), ，[24,25), 我爱[25,27), 学习[27,29), 。[29,30)]", resultList.toString());指定返回形式
有时候我们根据自己的应用场景，需要选择不同的返回形式。
SegmentResultHandlers 用来指定对于分词结果的处理实现，便于保证 api 的统一性。
| 方法 | 实现 | 说明 |
|---|---|---|
common() |
SegmentResultHandler | 默认实现，返回 ISegmentResult 列表 |
word() |
SegmentResultWordHandler | 只返回分词字符串列表 |
wordCount() |
SegmentResultWordHandler | key: 分词字符串; value: 分词出现的次数 |
默认模式
默认分词形式，等价于下面的写法
List<ISegmentResult> resultList = SegmentHelper.segment(string, SegmentResultHandlers.common());只获取分词信息
final String string = "这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱学习。";
List<String> resultList = SegmentHelper.segment(string, SegmentResultHandlers.word());
Assert.assertEquals("[这是, 一个, 伸手不见五指, 的, 黑夜, 。, 我, 叫, 孙悟空, ，, 我爱, 北京, ，, 我爱, 学习, 。]", resultList.toString());统计分词出现的次数
我们通过 SegmentResultHandlers.wordCount() 指定统计出现次数的方法。
final String string = "这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱学习。";
Map<String, Integer> wordCount = SegmentHelper.segment(string, SegmentResultHandlers.wordCount());
Assert.assertEquals(2, wordCount.get("我爱").intValue());
Assert.assertEquals(1, wordCount.get("黑夜").intValue());当然，这个在相似度等计算中出现频率较高。
因此提供工具方法 SegmentHelper.wordCount()，上面的方法等价于：
Map<String, Integer> wordCount = SegmentHelper.wordCount(string);分词模式
分词模式简介
分词模式可以通过类 SegmentModes 工具类获取。
| 序号 | 方法 | 准确度 | 性能 | 备注 |
|---|---|---|---|---|
| 1 | search() | 高 | 一般 | 结巴分词的默认模式 |
| 2 | dict() | 较高 | 一般 | 和 search 模式类似，但是缺少 HMM 新词预测 |
| 3 | index() | 一般 | 高 | 尽可能多的返回词组信息，提高召回率 |
| 4 | greedyLength() | 一般 | 高 | 贪心最大长度匹配，对准确度要求不高时可采用。 |
使用方式
针对灵活的配置，引入了 SegmentBs 作为引导类，解决工具类方法配置参数过多的问题。
测试代码参见 SegmentModeTest.java
search 模式
segmentMode() 指定分词模式，不指定时默认就是 SegmentModes.search()。
final String string = "这是一个伸手不见五指的黑夜。";
List<ISegmentResult> resultList = SegmentBs.newInstance()
.segmentMode(SegmentModes.search())
.segment(string);
Assert.assertEquals("[这是[0,2), 一个[2,4), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14)]", resultList.toString());dict 模式
只依赖词库实现分词，没有 HMM 新词预测功能。
final String string = "这是一个伸手不见五指的黑夜。";
List<ISegmentResult> resultList = SegmentBs.newInstance()
.segmentMode(SegmentModes.dict())
.segment(string);
Assert.assertEquals("[这[0,1), 是[1,2), 一个[2,4), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14)]", resultList.toString());index 模式
这里主要的区别就是会返回 伸手、伸手不见 等其他词组。
final String string = "这是一个伸手不见五指的黑夜。";
List<ISegmentResult> resultList = SegmentBs.newInstance()
.segmentMode(SegmentModes.index())
.segment(string);
Assert.assertEquals("[这[0,1), 是[1,2), 一个[2,4), 伸手[4,6), 伸手不见[4,8), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14)]", resultList.toString());GreedyLength 模式
这里使用贪心算法实现，准确率一般，性能较好。
final String string = "这是一个伸手不见五指的黑夜。";
List<ISegmentResult> resultList = SegmentBs.newInstance()
.segmentMode(SegmentModes.greedyLength())
.segment(string);
Assert.assertEquals("[这[0,1), 是[1,2), 一个[2,4), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14)]", resultList.toString());格式化处理
格式化接口
可以通过 SegmentFormats 工具类获取对应的格式化实现，在分词时指定即可。
| 序号 | 方法 | 名称 | 说明 |
|---|---|---|---|
| 1 | defaults() | 默认格式化 | 等价于小写+半角处理。 |
| 2 | lowerCase() | 字符小写格式化 | 英文字符处理时统一转换为小写 |
| 3 | halfWidth() | 字符半角格式化 | 英文字符处理时统一转换为半角 |
| 4 | chineseSimple() | 中文简体格式化 | 用于支持繁体中文分词 |
| 5 | none() | 无格式化 | 无任何格式化处理 |
| 6 | chains(formats) | 格式化责任链 | 你可以针对上述的格式化自由组合，同时允许自定义格式化。 |
默认格式化
全角半角+英文大小写格式化处理，默认开启。
这里的 Ｑ 为全角大写，默认会被转换处理。
String text = "阿Ｑ精神";
List<ISegmentResult> segmentResults = SegmentHelper.segment(text);
Assert.assertEquals("[阿Ｑ[0,2), 精神[2,4)]", segmentResults.toString());中文繁体分词
无论是结巴分词还是当前框架，默认对繁体中文的分词都不友好。
默认分词示例
显然和简体中文的分词形式不同。
String text = "這是一個伸手不見五指的黑夜";
List<String> defaultWords = SegmentBs.newInstance()
.segment(text, SegmentResultHandlers.word());
Assert.assertEquals("[這是, 一, 個, 伸手, 不見, 五指, 的, 黑夜]", defaultWords.toString());启用中文繁体分词
指定分词中文格式化，可以得到符合我们预期的分词。
String text = "這是一個伸手不見五指的黑夜";
List<String> defaultWords = SegmentBs.newInstance()
.segmentFormat(SegmentFormats.chineseSimple())
.segment(text, SegmentResultHandlers.word());
Assert.assertEquals("[這是, 一個, 伸手不見五指, 的, 黑夜]", defaultWords.toString());格式化责任链
格式化的形式可以有很多，我们可以根据自己的需求自由组合。
比如我们想同时启用默认格式化+中文简体格式化。
final String text = "阿Ｑ，這是一個伸手不見五指的黑夜";
List<String> defaultWords = SegmentBs.newInstance()
.segmentFormat(SegmentFormats.chains(SegmentFormats.defaults(),
SegmentFormats.chineseSimple()))
.segment(text, SegmentResultHandlers.word());
Assert.assertEquals("[阿Ｑ, ，, 這是, 一個, 伸手不見五指, 的, 黑夜]", defaultWords.toString());自定义词库
为了适应更多的应用场景，segment 支持自定义词典。
定义方式
resources 或者项目根目录新建文件 segment_phrase_dict_define.txt
要求编码：UTF-8
内容格式如下：
彩霞 78 n
第一个词是我们自定义的词，必填。
第二个为这个词出现的词频，选填，默认为 3。
第三个为词性，选填，默认为 un。（未知）
三者用英文空格（ ）隔开。
优先级
用户自定义的词优先级更高，会覆盖系统原有的相同词。
词性标注
说明
目前支持最简单版本的词性标注，暂定为 alpha 版本，后续引入基于 HMM 实现的词性标注。
使用例子
final String string = "这是一个伸手不见五指的黑夜。";
List<ISegmentResult> resultList = SegmentBs.newInstance()
.posTagging(SegmentPosTaggings.simple())
.segment(string);
Assert.assertEquals("[这是[0,2)/un, 一个[2,4)/mq, 伸手不见五指[4,10)/i, 的[10,11)/ude1, 黑夜[11,13)/n, 。[13,14)/w]", resultList.toString());主动释放资源
说明
分词是基于字典实现的，为了提升性能，字典初始化之后会缓存到内存中。 这对于 java web 服务端是没有太大问题的。
有安卓客户端小伙伴反应，希望分词使用一次之后，可以主动释放资源。
此功能为此而实现。
使用
方法在引导类中可以使用，如下：
// 初始化引导类
final SegmentBs segmentBs = SegmentBs.newInstance();
// 主动释放资源
segmentBs.destroy();例子
实际例子：
// 基本特性
final SegmentBs segmentBs = SegmentBs.newInstance();
final String string = "这是一个伸手不见五指的黑夜。我叫孙悟空，我爱北京，我爱学习。";
List<ISegmentResult> resultList = segmentBs.segment(string);
Assert.assertEquals("[这是[0,2), 一个[2,4), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14), 我[14,15), 叫[15,16), 孙悟空[16,19), ，[19,20), 我爱[20,22), 北京[22,24), ，[24,25), 我爱[25,27), 学习[27,29), 。[29,30)]", resultList.toString());
// 资源释放
segmentBs.destroy();
// 重新处理
List<ISegmentResult> resultList2 = segmentBs.segment(string);
Assert.assertEquals("[这是[0,2), 一个[2,4), 伸手不见五指[4,10), 的[10,11), 黑夜[11,13), 。[13,14), 我[14,15), 叫[15,16), 孙悟空[16,19), ，[19,20), 我爱[20,22), 北京[22,24), ，[24,25), 我爱[25,27), 学习[27,29), 。[29,30)]", resultList2.toString());为了便于使用，资源释放之后，如果再次分词，会重新初始化相关资源。
日志
为了便于研发观察，自适应日志输出对应的字典加载和销毁信息。
格式如下：
[DEBUG] [2023-03-23 11:16:53.010] [main] [c.g.h.s.s.t.i.SegmentTrieTree.getTrieTree] - [Segment]-[data-trie] init start
[DEBUG] [2023-03-23 11:16:53.480] [main] [c.g.h.s.s.t.i.SegmentTrieTree.getTrieTree] - [Segment]-[data-trie] init end
...
[DEBUG] [2023-03-23 11:16:53.543] [main] [c.g.h.s.s.t.i.SegmentTrieTree.destroy] - [Segment]-[data-trie] destroy start
[DEBUG] [2023-03-23 11:16:53.543] [main] [c.g.h.s.s.t.i.SegmentTrieTree.destroy] - [Segment]-[data-trie] destroy end
...
Benchmark 性能对比
性能对比
性能对比基于 jieba 1.0.2 版本，测试条件保持一致，保证二者都做好预热，然后统一处理。
验证下来，默认模式性能略优于 jieba 分词，贪心模式是其性能 3 倍左右。
备注：
（1）默认模式和结巴 Search 模式一致。
后期考虑 HMM 也可以配置是否开启，暂定为默认开启
（2）后期将引入多线程提升性能。
代码参见 BenchmarkTest.java
性能对比图
相同长文本，循环 1W 次耗时。（Less is Better）
后期 Road-Map
核心特性
-
HMM 词性标注
-
HMM 实体标注
-
CRF 算法实现
-
N 元组算法实现
优化
-
多线程的支持，性能优化
-
双数组 DFA 实现，降低内存消耗
创作感谢
感谢 jieba 分词提供的词库，以及 jieba-analysis 的相关实现。