分词技术在搜索引擎，信息提取，机器翻译等领域的重要地位与应用就不敖述了。步入正题：）
<!--[if !supportLists]-->一、 <!--[endif]-->项目概述
本切分系统的统计语料是用我们学校自己开放的那部分，大家可以在 这里 下载，中文字符约184万，当然这都是已切分好了的，可以用此建立一个比较小的语料库。本系统我主要分下面四个步骤完成：
<!--[if !supportLists]-->1、 <!--[endif]-->语料预处理
<!--[if !supportLists]-->2、 <!--[endif]-->建立 2-gram（统计二元模型）
<!--[if !supportLists]-->3、 <!--[endif]-->实现全切分
<!--[if !supportLists]-->4、 <!--[endif]-->评估测试
下面我分别对这四个方面一一道来。
<!--[if !supportLists]-->1、 <!--[endif]-->语料预处理
下载的已切分的语料都是形如“19980131-04-012-001/m 现实/n 的/u 顿悟/vn 却/d 被/p 描/v 出/v 形/Ng 来/v 。/w ” ，有的前面还保留了日期编号，因为这些切分语料的来源是人民日报。预处理主要是按标点符号分句，句子简单定义为（ 。？！ ： ；）这五种标点符号结尾的词串，句子首尾分别添加
out ; //输出流
in; //输入流
StringBuffer s1 = new StringBuffer(); //缓冲
char a = in.read();
while (a != -1) //判断是否已到流的终点
{
if ((a == 。 || a == ？ || a == ！ || a == ： || a == ； )) //一句结束
{
String s2 = new String(s1);
out.write("
out.write(s2);
out.write("
out.write(/n); //换行
s1 = new StringBuffer();
}
else if ( a == /)
s1 = s1.append((char)32); //分词位置空格
else if (a > 256 )
s1 = s1.append((char)a);
a = in.read();
}
out.close();
in.close();
<!--[if !supportLists]-->2、 <!--[endif]-->建立 2-gram模型（统计二元模型）
在这里首先简单介绍一下n-gram模型和2-gram模型。
根据语言样本估计出的概率分布P就称为语言L的语言模型。对给定的句子s = w1w2…wn，（数字，n,i都为下标，wi为句子s的一个词）。由链式规则（Chain rule），P(s) = p(w1)p(w2|w1)p(w3|w1w2)……p(wn|w1w2w3…w(n-1)) , 对p(wi|w1w2…w(i-1))而言，(w1w2…w(i-1))即为wi的历史。考虑前面n-1个词构成历史的模型即为n-gram模型。 n越大，提供的语境信息也越多，但代价就越大，且需训练语料多；n较小时，提供的信息比较少，但计算代价小，且无需太多训练语料。
令c(w1,…，wi)表示词串w1,w2…wi在训练语料中出现的次数，则由最大似然估计， P(wn|w1,…,w(n-1)) = c(w1,…，wn) / c(w1,…，w(n-1)). 同理，则2-gram为 P(wn|w(n-1)) = c(w(n-1),wn) / c(w(n-1)).
若想了解更多相关知识，大家找相关资料看看，随便把大学时的那本概率与统计课本拿出来翻翻，数学真是一个好东东：）
回归项目：） 训练语料一共有5万多个不同的词。建立2-gram统计模型时不断要把每个词在训练语料中出现频率统计出来，还要把每个词及其后面的那个词组成的2-gram在训练语料中出现频率统计出来。因为在切分时会频繁的在建立的2-gram模型中查找相关的数据，所有，存储这个2-gram模型数据的数据结构一定要能提供高效的查找。故选择hash表，它能提供常数时间的查找。Java类库里提供了HashMap类，基于数据两还不是非常大，故可直接拿来用。在存储时，每一个key值对应一个在训练语料中出现过的词语，而每一个key值对应的value值又是一个HashMap。暂且称为子hashmap.这个结构有点类似文件结构里的二级索引。 其相关代码如下：
怎么在预处理文件里把词分别读出来就不罗嗦了，方法：每读入一行，按空格分成String数组，用个正则表达式匹配下即能得到。
//此方法传入的两个词组成一个2-gram，prewd为前一个词,currwd为紧随其后的词
public static void add(String prewd , String currwd){
String key = prewd;
String curr = currwd;
boolean bb = HMap.containsKey(key); //Hmap是一个已存在的HashMap，用来存储2-gram统计模型。在这里判断 preword 是否在 主map 中
if (bb == false) { //若 主map 中无，则添加
HashMap hm = new HashMap(); //首先，新构造一个 子MAP
hm.put(key , new Integer(1)); //存储 主KEY 的频率 hm.put(curr , new Integer(1)); //存储 主KEY 后面紧接着的那个词频率
HMap.put(key,hm); //将 主KEY 和对应的 子MAP 放入 主MAP 中
}
else //若 主map 中含有该词
{
HashMap temp = (HashMap)HMap.get(key); //返回 主KEY 所对应的 子MAP ，进行值的修改
int count = ((Integer)temp.get(key)).intValue() + 1; //在 子map 中将 主key 次数加 1
temp.put(key , new Integer(count));
if (temp.containsKey(curr)) //判断 子map 中是否含有该词
{
int value = ((Integer)temp.get(curr)).intValue() + 1; temp.put(curr , new Integer(value));
}
else
temp.put(curr, new Integer(1)); //若无，则将其存入子map
HMap.put(key , temp); //子map 修改完毕 ，将其重新放入 主map
}
}
}
因为语言中的大部分词属于低频词，所以稀疏问题肯定存在。而MLE（最大似然估计）给在训练语料中没有出现的2-gram的赋给0概率。所以还得对2-gram模型进行数据平滑，以期得到更好的参数。目前平滑技术比较多，如Add-one,Add-delta,Witten-Bell，held-out留存平滑等。本系统主要采用了Add-delta和held-out两中平滑方式，下面就Add-delta平滑技术为例，对2-gram进行平滑。对2-gram模型，其平滑公式为：
P(wn|w(n-1)) = [c(w(n-1),wn) + delta ] / ( N + delta * V) ,这里去delta为0.5
其中，N：训练语料中所有的2-gram的数量
V：所有的可能的不同的2-gram的数量
平滑思路 ：1.产生主hashmap的迭代器iterator，依次读key;
2.对每一个key，又读出其value，即一个子hashmap;
3.然后根据平滑公式对子map里的值进行计算修改
算法框架：
Iterator it = 主hashmap.keySet().iterator();
While(it.hasNext())
{
主key = it.next();
子hashmap = (HashMap)主hashmap.get(主key);
Iterator itr = 子hashmap.keySet().iterator();
While(itr.hasNext())
{
根据平滑公式依次计算修改
}
}
注意问题：1.因为计算得出的概率值一般都比较小，为了防止出现下溢，可对其取对数，再取反。
2.每一个主key所对应的所有没有出现过的，即频率为零的2-gram，统一用一个键值对存储在相应的子hashmap里即可。
完毕，对象序列化。使用该系统时，lazy load将其载入内存，然后可让其一直存活在内存，这会大大加快速度。
到此，2-gram模型建立完毕。
<!--[if !supportLists]--> 3、 <!--[endif]-->全切分实现
切词一般有最大匹配法（MM、RMM），基于规则的方法，基于统计的方法。关于前两者就不罗嗦了。所谓全切分就是要根据字典得到所以可能的切分形式。歧义识别的方法主要有：基于规则的方法和基于统计的方法。这里当然是采用基于2-gram统计模型的方法了：）为了避免切分后再进行歧义分析的时间浪费。并且这里采用边切分边评价的方法，即在切分进行的同时进行评价的方法。
对一个句子进行全切分的结果，即所以可能的组合，可以形成一棵解空间树
于是，可用回溯法搜索最优解
若将所有的全切分组合先搜索出来，然后再根据2-gram选择最佳，显然会很浪费时间，因为过程中可能存在很多的重复搜索,而回溯搜索的时间复杂度为指数时间
所以，在搜索过程中要结合 剪枝，避免无效搜索，可很大提高效率
采用树的深度优先法则。可找到最优解
具体算法如下：
Stack.push(BOS) //树节点
while stack不为空
x=stack.pop()
pos：=x．Pos， w = x.w oldvalue：= x.value preword：=x.preword
if m>O then //m为首词串的个数
forj：=1 to m do
FWj为fwc的第j个元素l
if length(w+FWj) =length(c)且概率最大 then output w+FWjl且设置最新的句子最大概率值
else
posl：=pos+length(FWj)l
if probability(w+FWj，posl，newsate)>maxValue(pos1)
stack.push(x)
endif
endfor
endif
endwhile
end．
在算法实现过程中需要考虑一些诸如树节点保存，首词串处理等问题。
4.评估测试
环境：windows XP2, AMD Athlon 1800+, Memory 768m，JDK1.5
Delta平滑：随着delta的取值变小，准确率上升，0.5，0.01，0.0001
召回率： 0.9756 0.9826 0.9928
准确率： 0.9638 0.9710 0.9883
留存平滑
召回率： 0.9946
准确率： 0.9902
一般情况下，留存平滑应该还是比delta平滑更好
所有建模过程及平滑过程在1分钟内都可完成。
切分时间与效率：
<!--[if !supportLists]-->n <!--[endif]-->测试语料，17455字符， （中文17287），平均句长 41个字，时间 ：340ms, 平均切分速度：5.1 万/S
<!--[if !supportLists]-->n <!--[endif]-->20.5万测试语料（取自笑傲江湖）， 预处理后 17.46万 ，时间 110 MS,句子文本行数目 24945，平均句长 7 ， 切分时间 1300MS ， 平均13.46 万 / 秒
<!--[if !supportLists]-->n <!--[endif]-->20.5万测试语料（取自笑傲江湖），不预处理，平均句长 239 ，切分时间40S， 平均 5000字/秒
回溯算法是时间开销为O(N!),所以在切分过程中句子长度直接决定了切分的速度,因为句子越长词越多
经过预处理，句子短，平均句长 7, 回溯短，故速度要快很多。
到此，该系统基本完成，告一段落。感觉写的挺乱的呵呵
现在在做另一个作业，做个简单搜索引擎，准备把这个东东结合在搜索引擎里面，实现切分功能：）
延伸阅读
文章来源于领测软件测试网 https://www.ltesting.net/
