開源中文分詞框架分詞效果對比smartcn與IKanalyzer

一、引言：

　　中文分詞一直是自然語言處理的一個痛處，早在08年的時候，就曾經有項目涉及到相關的應用（Lunce構建全文搜索引擎），那時的痛，沒想到5年后的今天依然存在，切分效果、擴展支持、業務應用等方面依然不甚理想。收費的版本不提了，原因自不必言表，開源版本中，發現之前曾經活躍的版本，大多已經沒落（好幾年沒更新了），存活下來的寥寥無幾。我是一個守舊的人，評估版本的選擇有些保守，至少目前為止，只看1.0正式版本之后的版本，0.XX的不在考慮范圍之內，用了一個周末的時間，對比了十多款的樣子，個人感覺源於中科院ICTCLAS的smartcn和IKAnanlyzer效果還是不錯的。

二、結果對比

2.1 原始文本

"lucene\分析器\使用\分詞器\和\過濾器\構成\一個\“管道”，文本\在\流經\這個\管道\后\成為\可以\進入\索引\的\最小單位，因此，一個\標准\的分析器有兩個部分組成，一個是分詞器tokenizer,它用於將文本按照規則切分為一個個可以進入索引的最小單位。另外一個是TokenFilter，它主要作用是對切出來的詞進行進一步的處理（如去掉敏感詞、英文大小寫轉換、單復數處理）等。lucene中的Tokenstram方法首先創建一個tokenizer對象處理Reader對象中的流式文本，然后利用TokenFilter對輸出流進行過濾處理";
2.2 smartcn

lucen\分析器\使用\分詞\器\和\過濾器\構成\一個\管道\文本\流經\這個\管道\后\成為\可以\進入\索引\最\小\單位\因此\一個\標准\分析器\有\兩\個\部分\組成\一個\分詞\器\token\它\用於\將\文本\按照\規則\切分\為\一個\個\可以\進入\索引\最\小\單位\另外\一個\tokenfilt\它\主要\作用\對\切\出來\詞\進行\進一步\處理\如\去掉\敏感\詞\英文\大小寫\轉換\單\復數\處理\等\lucen\中\tokenstram\方法\首先\創建\一\個\token\對象\處理\reader\對象\中\式\文本\然后\利用\tokenfilt\對\輸出\進行\過濾\處理\

2.3 IKanalyzer

lucene\分析器\分析\器使\使用\分詞器\分詞\器\和\過濾器\過濾\濾器\構成\一個\一\個\管道\文本\在\流經\這個\管道\后\成為\可以\進入\索引\的\最小\單位\因此\一個\一\個\標准\的\分析器\分析\器\有\兩個\兩\個\部分\分組\組成\一個是\一個\一\個\是\分詞器\分詞\器\tokenizer\它用\用於\將\文本\按照\規則\切分\切\分為\一個個\一個\一\個個\個\個\可以\進入\索引\的\最小\單位\另外\一個是\一個\一\個\是\tokenfilter\它\主要\作用\用是\對\切出來\切出\切\出來\的\詞\進行\行進\進一步\進一\一步\一\步\的\處理\如\去掉\敏感\詞\英文\大小寫\大小\小寫\轉換\單\復數\處理\等\lucene\中\的\tokenstram\方法\首先\創建\一個\一\個\tokenizer\對象\處理\reader\對象\中\的\流式\文本\然后\利用\tokenfilter\對\輸出\流進\進行\過濾\處理\

三、smartcn示例程序

package dictTest;

import java.util.Iterator;

import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.util.CharArraySet;
import org.apache.lucene.util.Version;

public class SmartChineseAnalyzerTest {

    public static void main(String[] args) {
        try {
            // 要處理的文本
            String text = "lucene分析器使用分詞器和過濾器構成一個“管道”，文本在流經這個管道后成為可以進入索引的最小單位，因此，一個標准的分析器有兩個部分組成，一個是分詞器tokenizer,它用於將文本按照規則切分為一個個可以進入索引的最小單位。另外一個是TokenFilter，它主要作用是對切出來的詞進行進一步的處理（如去掉敏感詞、英文大小寫轉換、單復數處理）等。lucene中的Tokenstram方法首先創建一個tokenizer對象處理Reader對象中的流式文本，然后利用TokenFilter對輸出流進行過濾處理";
            //String text = "目前我已經用了lucene4.0，雖然是alpha版，但是也是未來的第一步。但是IKAnalyzer不支持lucene4，如果作者在，是否有計划對4支持？何時支持？";
            // 自定義停用詞
            String[] self_stop_words = { "的", "在","了", "呢", "，", "0", "：", ",", "是", "流" };
            CharArraySet cas = new CharArraySet(Version.LUCENE_46, 0, true);
            for (int i = 0; i < self_stop_words.length; i++) {
                cas.add(self_stop_words[i]);
            }

            // 加入系統默認停用詞
            Iterator<Object> itor = SmartChineseAnalyzer.getDefaultStopSet().iterator();
            while (itor.hasNext()) {
                cas.add(itor.next());
            }
            

            // 中英文混合分詞器(其他幾個分詞器對中文的分析都不行)
            SmartChineseAnalyzer sca = new SmartChineseAnalyzer(Version.LUCENE_46, cas);

            TokenStream ts = sca.tokenStream("field", text);
            CharTermAttribute ch = ts.addAttribute(CharTermAttribute.class);

            ts.reset();
            while (ts.incrementToken()) {
                System.out.print(ch.toString()+"\\");
            }
            ts.end();
            ts.close();
        } catch (Exception ex) {
            ex.printStackTrace();
        }
    }

}

四、IKanalyzer示例程序

package dictTest;

import org.wltea.analyzer.*;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.wltea.analyzer.lucene.*;

public class IKAnalyzerTest {

    public static void main(String[] args) {
        // TODO Auto-generated method stub
        Analyzer ik  = new IKAnalyzer();
        try{
            String text = "lucene分析器使用分詞器和過濾器構成一個“管道”，文本在流經這個管道后成為可以進入索引的最小單位，因此，一個標准的分析器有兩個部分組成，一個是分詞器tokenizer,它用於將文本按照規則切分為一個個可以進入索引的最小單位。另外一個是TokenFilter，它主要作用是對切出來的詞進行進一步的處理（如去掉敏感詞、英文大小寫轉換、單復數處理）等。lucene中的Tokenstram方法首先創建一個tokenizer對象處理Reader對象中的流式文本，然后利用TokenFilter對輸出流進行過濾處理";
            TokenStream ts = ik.tokenStream("field", text);
            
            CharTermAttribute ch = ts.addAttribute(CharTermAttribute.class);

            ts.reset();
            while (ts.incrementToken()) {
                //System.out.println(ch.toString());
                System.out.print(ch.toString() + "\\");
            }
            ts.end();
            ts.close();
            
        } catch (Exception ex) {
            ex.printStackTrace();
        }    
        
    }
}

五、結論

1.二者分詞效果，相比其他已經不錯，都值得肯定；

2.smartcn為Lucene4.6版本自帶（之前版本也有），中文分詞不錯，英文分詞有問題，Lucene分詞后變成了Luncn；

3.IKAnalyzer分詞后的碎片太多，可以和人工分析效果做對比；

4.從自定義詞庫的角度考慮，因為smartcn在Lucene4.6中的版本，目前不支持自定義詞庫，成為致命缺陷，只能放棄。