java版JieBa分词源码走读

时间 2019-12-01

标签 java jieba 分词源码走读栏目 Java 繁體版

原文原文链接

JieBa使用java

List<SegToken> process = segmenter.process("今天早上，出门的的时候，天气很好", JiebaSegmenter.SegMode.INDEX);
for (SegToken token:process){
    //分词的结果
    System.out.println( token.word);
}
复制代码

输出内容以下node

今天
早上
，
出门
的
的
时候
，
天气
很
好
复制代码

分词的执行逻辑

能够看到核心在于

内部包含一个字典
分词逻辑
不一样模式的切分粒度

分词的模式

search 精准的切开，用于对用户查询词分词
index 对长词再切分，提升召回率

分词流程

能够看到核心在于

根据输入建立DAG
选取高频的词
词典中不包含的状况下，即未记录词，进行从新识别

建立DAG

获取已经加载的trie树

从trie树中匹配，核心代码以下

int N = chars.length; //获取整个句子的长度
int i = 0, j = 0; //i 表示词的开始 ；j 表示词的结束
while (i < N) {
    Hit hit = trie.match(chars, i, j - i + 1); //从trie树中匹配
    if (hit.isPrefix() || hit.isMatch()) {
        if (hit.isMatch()) {
            //彻底匹配
            if (!dag.containsKey(i)) {
                List<Integer> value = new ArrayList<Integer>();
                dag.put(i, value);
                value.add(j); 
            }
            else
                dag.get(i).add(j); //以当前字符开头的词有哪些，词结尾的坐标记下来
        }
        j += 1; 
        if (j >= N) {
            //以当前字符开头的全部词已经匹配完成，再以当前字符的下一个字符开头寻找词
            i += 1;
            j = i;
        }
    }
    else {
    //以当前字符开头的词已经所有匹配完成，再以当前字符的下一个字符开头寻找词
        i += 1;
        j = i;
    }
}
复制代码

补充DAG中没有出现的句子中的字符

DAG结果示例

好比输入的是 "今天早上"git

它的DAG展现以下

也就是说 "今天早上" 这个句子，在trie中能查到的词为

今/今天/早/早上/上
复制代码

Trie树运用

JieBa内部存储了一个文件dict.txt,好比记录了 X光线 3 n。在内部的存储trie树结构则为github

nodeState:当前DictSegment状态 ,默认 0 , 1表示从根节点到当前节点的路径表示一个词 ,好比 x光和 x光线算法
storeSize：当前节点存储的Segment数目数组

好比除了x光线以外，还有x射bash

childrenArray和childrenMap用来存储trie树的子节点

storeSize <=ARRAY_LENGTH_LIMIT ，使用数组存储， storeSize >ARRAY_LENGTH_LIMIT，则使用Map存储，取值为3app

选取高频的词

核心代码以下ui

for (int i = N - 1; i > -1; i--) {
 //从右往左去查看句子,这是由于中文的重点通常在后面
 //表示词的开始位置
        Pair<Integer> candidate = null;
        for (Integer x : dag.get(i)) {
        //x表示词的结束位置
        // wordDict.getFreq表示获取trie这个词的频率
        //route.get(x+1)表示当前词的后一个词的几率
        //因为频率自己存储的是数学上log计算后的值，这里的加法其实就是当前这个词为A而且后面紧跟着的词为B的几率，B已经由前面算出
            double freq = wordDict.getFreq(sentence.substring(i, x + 1)) + route.get(x + 1).freq;
            if (null == candidate) {
                candidate = new Pair<Integer>(x, freq);
            }
            else if (candidate.freq < freq) {
                //保存几率高的词
                candidate.freq = freq;
                candidate.key = x;
            }
        }
        //可见route中存储的数据为key:词头下标 value:词尾下标，词的频率
        route.put(i, candidate);
    }
复制代码

高频词选取过程:spa

i=N-1: route中仅存了一个初始的值，N=4，freq=0,表明最后一个次后面是没有词的，首先获取词 '上' 在trie中的频率为 -5.45,相加后可得上的几率为 -5.45,因为以 '上' 开头的只有1个词，存入route中 <3,-5.45>

(3,<3,-5.45>) :第一个3是词头，第二个3是 '上' 的词尾下标；-5.45是它出现的几率;
(4,<0,0>):初始几率
i=N-2: 以 '早' 开头的有两个词，分别为 '早' 和 '早上',首先获取词典中 '早' 的频率为 -8.33，它的后一个词为 '上' ，求和后频率为 -13.78；再获取 '早上',在词典中的频率为 -10.81 ,'早上' 后面没有词，所以频率取值就是 -10.81,对比两个词频大小，'早上'的频率大，所以只保留了 '早上'

此时 route保留了 (3,<3,-5.45>)、(4,<0,0>)和(2, <3,-10.81> )

依此类推，通过route以后的取词以下

分词代码

取完了高频词以后，核心逻辑以下

while (x < N) {
        //获取当前字符开头的词的词尾
        y = route.get(x).key + 1;
        String lWord = sentence.substring(x, y);
        if (y - x == 1)
            sb.append(lWord); //单个字符成词，先保留
        else {
            if (sb.length() > 0) {
                buf = sb.toString();
                sb = new StringBuilder();
                if (buf.length() == 1) {
                    tokens.add(buf);
                }
                else {
                    if (wordDict.containsWord(buf)) {
                        tokens.add(buf); //多个字符而且字典中存在，做为分词的结果
                    }
                    else {
                        finalSeg.cut(buf, tokens);
                    }
                }
            }
            //保留多个字符组成的词
            tokens.add(lWord);
        }
        x = y; //从当前词的词尾开始找下一个词
    }
复制代码

词提取的过程

x=0，找到它的词尾为1，此时获取到了 '今天',因为包含多个词,直接做为分词的结果
x=2，词尾为3,获取到'早上' ，分词结束

至此 '今天早上' 这句话分词结束。能够看到这都是创建在这个词已经存在于字典的基础上成立的。
若是出现了多个单个字成词的状况，好比 '出门的的时候' 中的 '的'，一方面它成为了单个的词，另外一方面后面紧跟着的 '的'与它一块儿成为了两个字符组成的词，又在词典中不存在 '的的' ，于是识别为未知的词，调用 finalSeg.cut

Viterbi算法处理未记录词，从新识别

使用的方法为Viterbi算法。首先预加载以下HMM模型的三组几率集合和隐藏状态集合

未知的词定义了4个隐藏状态。 B 表示词的开始 M 表示词的中间 E 表示词的结束 S 表示单字成词

初始化每一个隐藏状态的初始几率

start.put('B', -0.26268660809250016);
start.put('E', -3.14e+100);
start.put('M', -3.14e+100);
start.put('S', -1.4652633398537678);
复制代码

初始化状态转移矩阵

trans = new HashMap<Character, Map<Character, Double>>();
Map<Character, Double> transB = new HashMap<Character, Double>();
transB.put('E', -0.510825623765990);
transB.put('M', -0.916290731874155);
trans.put('B', transB);
Map<Character, Double> transE = new HashMap<Character, Double>();
transE.put('B', -0.5897149736854513);
transE.put('S', -0.8085250474669937);
trans.put('E', transE);
Map<Character, Double> transM = new HashMap<Character, Double>();
transM.put('E', -0.33344856811948514);
transM.put('M', -1.2603623820268226);
trans.put('M', transM);
Map<Character, Double> transS = new HashMap<Character, Double>();
transS.put('B', -0.7211965654669841);
transS.put('S', -0.6658631448798212);
trans.put('S', transS);
复制代码

好比trans.get('S').get('B')表示若是当前字符是 'S'，那么下个是另外一个词(非单字成词)开始的几率为 -0.721

读取实现准备好的混淆矩阵,存入 emit中

红框表示隐藏状态 'E'的前提下，观察状态是 '要'的几率为 -5.26

红框表示隐藏状态 'B'的前提下，观察状态是 '要'的几率为 -6.73

另外它预约义了每一个隐藏状态以前只能是那些状态
prevStatus.put('B', new char[] { 'E', 'S' });
prevStatus.put('M', new char[] { 'M', 'B' });
prevStatus.put('S', new char[] { 'S', 'E' });
prevStatus.put('E', new char[] { 'B', 'M' });
复制代码
好比 'M' 它的前面一定是 'M' 和 'B' 之间的一个

算法的流程以下:

获取句子中第一个字符在全部隐藏状态下的几率

for (char state : states) {
        Double emP = emit.get(state).get(sentence.charAt(0));
        if (null == emP)
            emP = MIN_FLOAT;
        //存储第一个字符 是 'B' 'E' 'M' 'S'的几率，即初始化转移几率
        v.get(0).put(state, start.get(state) + emP);
        path.put(state, new Node(state, null));
    }
复制代码

计算根据观察序列获得和HMM模型求隐藏序列的几率，并记下最佳解析位置，经过父指针链接起来

for (int i = 1; i < sentence.length(); ++i) {
    Map<Character, Double> vv = new HashMap<Character, Double>();
    v.add(vv);
    Map<Character, Node> newPath = new HashMap<Character, Node>();
    for (char y : states) {
    //y表示隐藏状态
    //emp是获取混淆矩阵的几率，好比 在 'B'发生的状况下，观察到字符 '要' 的几率
        Double emp = emit.get(y).get(sentence.charAt(i));
        if (emp == null)
            emp = MIN_FLOAT; //样本中没有，就设置为最小的几率
        Pair<Character> candidate = null;
        for (char y0 : prevStatus.get(y)) {
            Double tranp = trans.get(y0).get(y);//获取状态转移几率,好比 E -> B
            if (null == tranp)
                tranp = MIN_FLOAT; //转移几率不存在，取最低的
            //v中放的是当前字符的前一个字符的几率，即前一个状态的最优解
            //tranp 是状态转移的几率
            //三者相加即计算已知观察序列和HMM的条件下，求得最可能的隐藏序列的几率
            tranp += (emp + v.get(i - 1).get(y0));
            if (null == candidate)
                candidate = new Pair<Character>(y0, tranp);
            else if (candidate.freq <= tranp) {
            //存储最优可能的隐藏几率
                candidate.freq = tranp;
                candidate.key = y0;
            }
        }
        //存储是'B'仍是 'E'各自的几率
        vv.put(y, candidate.freq);
        //记下先后两个词最优的路径，以便还原原始的隐藏状态分隔点
        newPath.put(y, new Node(y, path.get(candidate.key)));
    }
    //存储最终句子的最优路径
    path = newPath;
}
复制代码

找到句子尾部的字符的隐藏个状态，并经过最佳路径旅顺整个句子的切割方式

double probE = v.get(sentence.length() - 1).get('E');
double probS = v.get(sentence.length() - 1).get('S');
Vector<Character> posList = new Vector<Character>(sentence.length());
Node win;
if (probE < probS)
    win = path.get('S');
else
    win = path.get('E');

while (win != null) {
//沿着指针找到句子的每一个字符的个子位置
    posList.add(win.value);
    win = win.parent;
}
Collections.reverse(posList);
复制代码

遍历这个句子，根据标注，记下全部切割点的词

int begin = 0, next = 0;
for (int i = 0; i < sentence.length(); ++i) {
    char pos = posList.get(i);
    if (pos == 'B')
        begin = i;
    else if (pos == 'E') {
    //到词尾了，记下
        tokens.add(sentence.substring(begin, i + 1));
        next = i + 1;
    }
    else if (pos == 'S') {
    //单个字成词，记下
        tokens.add(sentence.substring(i, i + 1));
        next = i + 1;
    }
}
if (next < sentence.length())
    tokens.add(sentence.substring(next));
复制代码

自此执行结束

java版 JieBa源码