31_彻底掌握IK中文分词_IK分词器配置文件讲解以及自定义词库实战

<meta charset="utf-8">

ik配置文件地址：es/plugins/ik/config目录

IKAnalyzer.cfg.xml：用来配置自定义词库

main.dic：ik原生内置的中文词库，总共有27万多条，只要是这些单词，都会被分在一起

quantifier.dic：放了一些单位相关的词

suffix.dic：放了一些后缀

surname.dic：中国的姓氏

stopword.dic：英文停用词

main.dic：包含了原生的中文词语，会按照这个里面的词语去分词

stopword.dic：包含了英文宽亏的停用词

停用词，stopword

a the and at but

一般，像停用词，会在分词的时候，直接被干掉，不会建立在倒排索引中

（1）自己建立词库：每年都会涌现一些特殊的流行词，网红，蓝瘦香菇，铅盯喊麦，鬼畜，一般不会在ik的原生词典里

自己补充自己的最新的词语，到ik的词库里面去

IKAnalyzer.cfg.xml：ext_dict，custom/mydict.dic

补充自己的词语，然后需要重启es，才能生效

（2）自己建立停用词库：比如了，的，啥，么，我们可能并不想去建立索引，让人家搜索

custom/ext_stopword.dic，槐巧和已经有了常用的中文停用词，可以补充自己的停用词，然后重启es

聚类输出样本号的方法：

创建一个分词文件，里面是每个册键样本分词结果！data文件（f.txt）中每个样本的特征向量就是基于原始样本分词结果生成的，分词文件（里面是文本）与data文件（里面有特征向量）中的样本顺序是保持一致的。

这样我只需要读入分词文件中的每一个样本，并用cnum做标记，然后用Map进行分类，进行输出，就凯睁可以得到最后聚类的样本号。

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”。

在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。

聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态盯姿岁聚类法、模糊聚类法、图论聚类法、聚类预报法等。

可解释性和可用性：

用户希望聚类结果是可解释的，可理解的，和可用的。也就是说，聚类可能需要和特定的语义解释和应用相联系。应用目标如何影响聚类方法的选择也是一个重要的研究课题。

参考如下

1、快速体验

运行项目根目录下的脚本demo-word.bat可以快速体验分词效果

用法: command [text] [input] [output]

命令command的可选值为：demo、text、file

demo

text 杨尚川是APDPlat应用级产品开发平台的作者

file d:/text.txt d:/word.txt

exit

2、对文本进行分词

移除停用词：List<Word>words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者")

保留停用词：List<Word>words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者")

System.out.println(words)

输出：

移除停用词：[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]

保留停用词：[杨尚川, 是, apdplat, 应用级, 产品, 开发平台, 的, 作者]

3、对文件进行握掘碧分词

String input = "d:/text.txt"

String output = "d:/word.txt"

移除停用词：WordSegmenter.seg(new File(input), new File(output))

保留停用词：WordSegmenter.segWithStopWords(new File(input), new File(output))

4、自定义配置文件

默认配置文件为类路径下的word.conf，打包在word-x.x.jar中

自定义配置文件为类路径下的word.local.conf，需要用户自己提供

如果自定义配置和默认配置相同，自定义配置会覆盖默认配置

配置文件编码为UTF-8

5、自定义用户词库

自定义用户词库为一个或多个文件夹或文件，可以使用绝对路径或相对路径

用户词库由多个词典文件组成，文件编码为UTF-8

词典文件的格式为文本文件，一行代表一个词

可以通过系统属性或配置文件的方式来指定路径，多个散世路径之间用逗号分隔开

类路径下的词典文件，需要在相对路径前加入前缀classpath:

指定方式有三种：

指定方式一，编程指定（高优先级）：

WordConfTools.set("dic.path", "classpath:dic.txt，d:/custom_dic")

DictionaryFactory.reload()//更改词典路径之后，重新加载词典

指定方式二，Java虚拟机启动参数（中优先级）：

java -Ddic.path=classpath:dic.txt，d:/custom_dic

指定方式三，配置文件指定（低优先级）：

使用类路径下的文件word.local.conf来指定配置信息

dic.path=classpath:dic.txt，d:/custom_dic

如未指定，则默认使用类路径下的dic.txt词典文件

6、自定义停用词词库

使用方式和自定义用户词库类似，配置项为：

stopwords.path=classpath:stopwords.txt，d:/custom_stopwords_dic

7、自动检测词库变化

可以自动检测自定义用户词库和自定义停用词词库的变化

包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径

如：

classpath:dic.txt，classpath:custom_dic_dir,

d:/dic_more.txt，d:/DIC_DIR，D:/DIC2_DIR，my_dic_dir，my_dic_file.txt

classpath:stopwords.txt，classpath:custom_stopwords_dic_dir，

d:/stopwords_more.txt，d:/STOPWORDS_DIR，d:/STOPWORDS2_DIR，stopwords_dir，remove.txt

8、显式指定分词算法

对文本进行分词时，可显式指定特定的分词算法，如：

WordSegmenter.seg("APDPlat应用级产品开发平台段举", SegmentationAlgorithm.BidirectionalMaximumMatching)

SegmentationAlgorithm的可选类型为：

正向最大匹配算法：MaximumMatching

逆向最大匹配算法：ReverseMaximumMatching

正向最小匹配算法：MinimumMatching

逆向最小匹配算法：ReverseMinimumMatching

双向最大匹配算法：BidirectionalMaximumMatching

双向最小匹配算法：BidirectionalMinimumMatching

双向最大最小匹配算法：BidirectionalMaximumMinimumMatching

全切分算法：FullSegmentation

最少分词算法：MinimalWordCount

最大Ngram分值算法：MaxNgramScore

9、分词效果评估

运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估

评估采用的测试文本有253 3709行，共2837 4490个字符

评估结果位于target/evaluation目录下：

corpus-text.txt为分好词的人工标注文本，词之间以空格分隔

test-text.txt为测试文本，是把corpus-text.txt以标点符号分隔为多行的结果

standard-text.txt为测试文本对应的人工标注文本，作为分词是否正确的标准

result-text-***.txt，***为各种分词算法名称，这是word分词结果

perfect-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准完全一致的文本

wrong-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准不一致的文本

---