构建词库
从原始文本中，自动构建词库，目前只适用于中文。参考：
http://www.matrix67.com/blog/archives/5044
new in 0.0.3
- 使用radix tree代替ternary search tree，提升性能。
- 加入LOG信息，展示抽取的进度。
new in 0.0.2
- 直接导入java-merge-sort源码, thx@cowtowncoder
- 将之前的maven项目，转变为一个gradle项目，方便打包使用。
成词条件
- 互信息
- 左右熵
- 位置成词概率
- ngram 频率
运行方法
- 下载或者gradle distTar打包程序
- 解压dict_build-x.x.x.tar
- 解压之后,进入bin. 运行:./dict_build 你的数据文件的绝对路径
- 结束之后,在数据文件同目录有文件:words_sort.data
- 四列分别为:词,词频,互信息,左右熵,位置成词概率.
注意
- 数据文件一定要是UTF8编码的
- 如果数据文件较大, 出现out of memory问题，可以尝试如下方式，限mac和linux，其中2G可以根据实际情况调整
export JAVA_OPTS=-Xmx2G
./dict_build 你的数据文件的绝对路径示例
《金瓶梅》抽取结果
西门庆 4754 6.727920454563199 2.0315193024276885 0.17472535684926388
月娘 1829 6.491853096329675 2.3714166640957095 0.22135096835144072
敬济 906 9.084808387804362 2.554594603718855 0.14485683987274656
春梅 799 8.134426320220927 2.7880175589451714 0.16484505593416485
玳安 796 8.228818690495881 2.865686193737731 0.11791820110723605
后边 617 6.6293566200796095 4.008365154080131 0.2160373686259245
玉楼 594 7.977279923499917 2.27346284978306 0.27518689925240297
明日 580 6.189824558880018 2.705423396095033 0.1774535638537181
两银子 458 6.129283016944967 2.351100547282295 0.3809078896437581
小厮 454 7.257387842692652 3.945653525477103 0.16666666666666666
打发 444 6.870364719583405 3.694604352707633 0.18409496065046307
如今 410 6.643856189774725 2.1460777430093394 0.1780766096169519
淫妇 382 7.768184324776926 3.277903508489837 0.2555205047318612
桂姐 371 7.584962500721156 2.5922046565140424 0.36255305256284687
老婆 331 6.266786540694902 3.5783015008688523 0.3758007117437722
衣服 309 8.90388184573618 2.786139685416002 0.13284518828451883
丫头 297 7.383704292474053 4.291010086795063 0.21875
潘金莲 288 8.276124405274238 2.4955186567189194 0.35333669524289796
昨日 285 6.857980995127572 2.6387249970833997 0.1774535638537181
王婆 284 7.1799090900149345 2.3129267619188907 0.3758007117437722《西游记》抽取结果
八戒 1807 7.88874324889826 2.00952580557629 0.36441586280814575
师父 1632 7.507794640198696 3.745294449785798 0.1371395690812608
大圣 1270 6.599912842187128 2.7790919785432147 0.13128460061010055
唐僧 1003 7.076815597050832 4.350465172292435 0.43277723258096173
菩萨 765 9.471675214392045 3.6013747138664756 0.15910495734948696
妖精 634 7.199672344836364 3.1817261900583627 0.13134411600669268
徒弟 439 8.060695931687555 2.498555429145656 0.15553809897879026
兄弟 284 7.845490050944376 2.93037668783551 0.16085578446909668
宝贝 283 9.319672120946995 2.616164396748633 0.15108220492589827
今日 282 6.714245517666122 2.1303069812971214 0.1774535638537181
取经 263 7.539158811108032 2.663944888382171 0.10181178023912565
如今 259 6.189824558880018 2.056188859866133 0.1780766096169519
认得 223 6.357552004618085 2.9543379335926954 0.2326782564877803
东土 212 8.422064766172811 3.326253983395916 0.14745277618775043
孙大圣 202 6.022367813028454 2.4886576514017107 0.13128460061010055
变作 189 7.554588851677638 3.0713596792578635 0.23452975920036348
玉帝 189 8.912889336229961 2.973106046717708 0.27518689925240297
土地 179 7.499845887083206 3.1206506190132566 0.2819944064037033
欢喜 173 8.861086905995393 2.184918471204895 0.31727272727272726
贫僧 170 7.400879436282184 2.0731236036504477 0.43277723258096173拉勾JD语料抽取结果
工作 641962 11.645208082774683 4.083574124851783 0.11247281022865935
开发 348538 14.031184262140844 4.37645153459778 0.18409496065046307
相关 300517 10.477758266443889 5.038915743418073 0.1758213331033888
合作 159688 10.397674632948268 3.9963476653135794 0.19498851077798446
专业 158831 10.712527000439824 3.152041650598071 0.2640750670241287
测试 158179 13.65362883340751 4.464104436545589 0.18344308560677328
互联网 148818 16.106992250086762 3.9556191209604314 0.407386403912951
活动 131099 10.391243589427443 3.9155422678129406 0.20137250696976194
维护 120316 12.681677655209691 3.2400117935377266 0.1960306406685237
问题 112116 9.159871336778389 2.314215135279833 0.20283174185051037
优化 109563 11.324180546618742 4.331660381832997 0.2456782591010779
营销 105845 14.36850646150769 5.097001962525406 0.14961371773129828
平台 100783 9.002815015607053 4.443804901153697 0.2877423571272965
培训 93204 9.041659151637216 3.8898570467819824 0.13345998575160295
资源 90339 8.651051691178928 4.063430372719874 0.14695817490494298
相关专业 87545 8.988684686772165 2.4897196388075598 0.2905199904149232
网站 87182 8.92184093707449 5.465843476701055 0.21266038137095059
独立 86111 9.074141462752506 3.1456261690072957 0.19050261614079594
一定 83798 8.335390354693924 2.107303660112154 0.26157299167679793
流程 83165 9.321928094887362 2.5509378861028074 0.2063141084699957
网络 82742 9.087462841250339 4.681429111504988 0.21266038137095059
优秀 74600 9.370687406807217 2.0756995478573135 0.2899855507391353
信息 71009 9.820178962415188 4.2602697278449755 0.18863532864443658
媒体 67533 10.556506054671928 4.615376861300178 0.17976710334788937
编写 64337 7.960001932068081 3.482400585501417 0.265625
思维 62351 8.741466986401146 2.4320664807326646 0.15396736072031514
规划 59733 7.851749041416057 2.936854928368285 0.14166201896263245
移动 59671 10.10459875356437 3.4421932833155653 0.20137250696976194
渠道 59072 9.513727595952437 4.597891463808354 0.23578595317725753
关系 58483 8.348728154231077 2.4369558675502927 0.3170022612253688
积极 57295 9.044394119358454 2.763249521041074 0.1746848469256496
实施 56645 7.781359713524661 4.371966846513886 0.15944453739334113
福利 55732 8.475733430966399 2.4036919305145426 0.20908952728378172
其他 55665 8.434628227636725 2.9614863103296867 0.15943975441289332
功能 55087 7.787902559391432 4.1663586610392755 0.18097560975609756
代码 52431 7.88874324889826 3.876917512626917 0.2135697048449972
微信 49143 8.945443836377912 3.6868130380800643 0.18215857916308253
企业 48799 9.422064766172813 5.568662443510237 0.2905199904149232
提升 48446 8.233619676759702 3.7390647282620666 0.29750778816199375
质量 47918 10.861862340059153 3.391825261582227 0.10921827734437191
人员 47109 7.774787059601174 5.249783964892326 0.13589632038101343
数据库 45445 8.290018846932618 4.123423571610193 0.2640569395017794
商务 44047 8.189824558880018 3.44858516585648 0.12901085044961344
主动 42628 13.815583433851023 2.5049637884195137 0.1968791796700847
创意 41768 14.396470993910388 4.115068825929573 0.30544056771141337
工具 40227 9.927777962082342 2.208874047820781 0.11247281022865935
等相关 39230 11.919608238603255 3.0330398736413557 0.1758213331033888
提出 38741 10.179909090014934 4.46446156782086 0.13053040103492886
各类 38309 8.344295907915816 5.136417986953123 0.3969948596283116
操作 37061 9.06339508128851 4.676836974292029 0.23452975920036348
收集 36600 8.800899899920305 2.797691452951563 0.11388512456999896
过程 36534 8.214319120800766 2.5633950372758565 0.2063141084699957
数据分析 36081 8.442943495848729 3.5589033442862585 0.2640569395017794全宋词抽取结果
何处 388 6.491853096329675 3.3628674437455617 0.6815015936725298
东风 286 5.392317422778761 4.458774408044057 0.19724622030237582
江南 250 6.409390936137703 3.903802705407174 0.10545138034778331
春风 237 3.5849625007211565 4.927775131630969 0.16484505593416485
相思 225 6.614709844115209 4.358855443007008 0.242072962836686
千里 218 6.409390936137703 4.4108660037595 0.2562873368242496
人间 200 5.357552004618084 3.6298146463975085 0.13589632038101343
明月 196 5.357552004618084 4.461698115330817 0.2009720696427977
归来 195 5.08746284125034 4.510975805812117 0.4260707923476106
尊前 190 7.607330313749611 3.7677180601390012 0.1516088400320623
相逢 179 7.426264754702098 3.729594240735622 0.2827298050139276
芳草 176 7.409390936137703 4.193709696939418 0.10797973400886637
多情 175 6.247927513443586 3.8156445316213303 0.3327408912022344
阑干 167 9.30149619498255 4.1027945328835855 0.17564639607106747
梅花 159 4.807354922057604 4.829461592976214 0.1725721995566835
年年 157 3.8073549220576037 3.401504022650184 0.10157033077180087
无人 150 2.807354922057604 4.773999920722275 0.35809310100061825
如今 148 5.7279204545632 2.4554158038937834 0.1780766096169519
回首 145 7.94251450533924 3.197825274741958 0.20080445544554457
天涯 142 7.74819284958946 4.087307754334477 0.4339155749636099
一枝 135 5.20945336562895 3.5111675192832683 0.2674922938432581
当时 134 6.08746284125034 3.2683525636568564 0.14850198715988994
流水 132 5.700439718141093 4.024081009656002 0.13549047394111163
佳人 131 5.20945336562895 3.0918026501936384 0.22896958600345846
西风 128 4.321928094887363 4.310178372466687 0.19724622030237582
依旧 125 7.768184324776926 3.8821144630683277 0.1728525980911983
故人 122 5.392317422778761 2.9526098687901237 0.2363130219610269
今夜 121 5.554588851677638 3.239568407653533 0.2543231961836613
少年 120 5.357552004618084 2.8645866477158934 0.23419345103365022
春色 120 5.129283016944966 4.576389958371988 0.16484505593416485