与Lucene 4.10配合的中文分词比较

2014年12月22日 作者: Justin Wan

比较目的

衡量每种分词的指标,内存消耗、CPU消耗,得到一个在Lucene中比较好的分词版本。

分词源代码介绍

  • paoding: 庖丁解牛最新版在 https://code.google.com/p/paoding/ 中最多支持Lucene 3.0,且最新提交的代码在 2008-06-03,在svn中最新也是2010年提交,已经过时,不予考虑。

  • mmseg4j:最新版已从 https://code.google.com/p/mmseg4j/ 移至 https://github.com/chenlb/mmseg4j-solr ,支持Lucene 4.10,且在github中最新提交代码是2014年6月,从09年~14年一共有:18个版本,也就是一年几乎有3个大小版本,有较大的活跃度,用了mmseg算法。

  • IK-analyzer: 最新版在https://code.google.com/p/ik-analyzer/上,支持Lucene 4.10从2006年12月推出1.0版开始, IKAnalyzer已经推出了4个大版本。最初,它是以开源项目Luence为应用主体的,结合词典分词和文法分析算法的中文分词组件。从3.0版本开 始,IK发展为面向Java的公用分词组件,独立于Lucene项目,同时提供了对Lucene的默认优化实现。在2012版本中,IK实现了简单的分词 歧义排除算法,标志着IK分词器从单纯的词典分词向模拟语义分词衍化。 但是也就是2012年12月后没有在更新。

  • ansj_seg:最新版本在 https://github.com/NLPchina/ansj_seg tags仅有1.1版本,从2012年到2014年更新了大小6次,但是作者本人在2014年10月10日说明:“可能我以后没有精力来维护ansj_seg了”,现在由”nlp_china”管理。2014年11月有更新。并未说明是否支持Lucene,是一个由CRF(条件随机场)算法所做的分词算法。

  • imdict-chinese-analyzer:最新版在 https://code.google.com/p/imdict-chinese-analyzer/ , 最新更新也在2009年5月,下载源码,不支持Lucene 4.10 。是利用HMM(隐马尔科夫链)算法。

  • Jcseg:最新版本在git.oschina.net/lionsoul/jcseg,支持Lucene 4.10,作者有较高的活跃度。利用mmseg算法。

测试环境:

Ubuntu 14.04 64位, 内存 32GB, CPU Intel® Core™ i7-4770K CPU @ 3.50GHz × 8

分词算法衡量指标及测试代码

黄金标准/Golden standard

评价一个分词器分词结果的好坏,必然要有一份“公认正确”的分词结果数据来作为参照。 SIGHAN(国际计算语言学会(ACL)中文语言处理小组)举办的国际中文语言处理竞赛Second International Chinese Word Segmentation Bakeoff(http://sighan.cs.uchicago.edu/bakeoff2005/)所提供的公开数据来评测,它包含了多个测试集以及对应的黄金标准分词结果。在所有分词器都使用同一标准来评测的情况下,也就会很公平,并不会影响到最终的结论,所以本文用此测评标准,并针对创建索引,做了些改动。

评价指标

  • 精度(Precision):精度表明了分词器分词的准确程度。
  • 召回率(Recall):召回率也可认为是“查全率”。
  • F值(F-mesure):F值综合反映整体的指标。
  • 错误率(Error Rate --ER)(带选项):分词器分词的错误程度。

公式

Tip

公式参数说明
    N:黄金标准分割的单词数; e:分词器错误标注的单词数; c:分词器正确标注的单词数.

总结:P、R、F越大越好,ER越小越好。一个完美的分词器的P、R、F值均为1,ER值为0。

正确及错误标注的计数算法

要先计算出e和c,才能计算出各指标值。e和c是按如下算法来统计的: 在“黄金标准”和“待评测的结果”中,理论上,除了分词后添加的空格之外,它们所有的文字都是相同的;唯一的不同就在于那些有差异的分词结果的位置上。例如,“计算机 是个 好东西”(黄金标准)与“计算机 是 个 好东西”(待评测的结果)的差异就在于“是个”与“是 个”的差异,其余分词结果都是相同的。因此,只需要找到这种差异的个数,就可以统计出分词器正确标注了多少个词、错误标注了多少个词。为了完成测试指标,同时,对应Lucene的检索实际需要对黄金标准的 *_test_gold和分词结果做了如下改动:

  • 去掉标点符号

  • 统一对一些虚词作停词处理

  • 没有分开句子,结果都是一个比较集。

Java测试代码

package com.hansight;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.cjk.CJKAnalyzer;
import org.apache.lucene.analysis.core.SimpleAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.lionsoul.jcseg.analyzer.JcsegAnalyzer4X;
import org.lionsoul.jcseg.core.*;
import org.wltea.analyzer.lucene.IKAnalyzer;
import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;
import java.io.*;

public class TestChineseAnalyzer {
    private static int PER_TIME_READ_LEN = 1024;   //每次读入文件流长度

private TestChineseAnalyzer() {}

public static void printTerms(Analyzer analyzer, String content){
    try{
        TokenStream ts = analyzer.tokenStream("content",
                new StringReader(content));
        CharTermAttribute term = ts.addAttribute(CharTermAttribute.class);
        ts.reset();

        StringBuffer buf = new StringBuffer();
        while (ts.incrementToken()) {
            buf.append(term.toString());
            buf.append(" ");
        }

        System.out.println(buf.toString());

        System.out.println(analyzer.getClass().getName() + " done\n");
    }catch (IOException ex){
        System.out.println("Segment word fail. " + ex.getMessage());
    }
}

public static void main(String[] args){
    if (0 == args.length){
        System.err.println("No Inputing param");
        System.exit(1);
    }

    try {
        FileInputStream in = new FileInputStream(new File(args[0]));
        byte[] perRead = new byte[PER_TIME_READ_LEN];

        String strContent = " ";
        int rst = in.read(perRead, 0, PER_TIME_READ_LEN);
        while (-1 != rst){
            strContent = strContent.concat(new String(perRead));
            rst = in.read(perRead, 0, PER_TIME_READ_LEN);
        }

        printTerms(new JcsegAnalyzer4X(JcsegTaskConfig.COMPLEX_MODE), strContent);
        printTerms(new IKAnalyzer(true), strContent);
        printTerms(new CJKAnalyzer(), strContent);
        printTerms(new SimpleAnalyzer(), strContent);
        printTerms(new StandardAnalyzer(), strContent);
        printTerms(new ComplexAnalyzer(), strContent);
    } catch (Exception ex) {
        ex.printStackTrace();
    }
}

}

运行Java通过重定向到一个txt文件,再将彼此分开,如上所示,没有看过Lucene本身的分词的烂,所以自己也查看了一下,果然很烂。 通过对结果的处理(用上面的Perl脚本,统一对标准和对结果的处理)。再利用 黄金标准中的Perl评分脚本。

Note 此结果并没有按照黄金标准正确用法来用(主要没有用黄金标准来训练,且评分本身是一句一句的评分,最后是综合得分。 而本文是所有内容一起评分,会有一定误差)。同时:现在的分词,比较而言更加智能,能将数量词等(一位,同志们)分在一起,是以前可能没能想过的。 虽然,有诸多误差,但是本文只是比较相对值,只要在统一的相对正确的标准下也就能达到效果了。

分词算法内存和cup测试

在一个大的语料库中,所有文档加入Lucene索引的时间,测试内存使用情况,就将索引建立在磁盘中; 若是测试CPU使用情况,就将所以建立的内存中减小IO读写对CPU的影响。利用VisualVM查看CPU利用率、内存利用率,得到他们的时间序列图。

package com.hansight;

import org.apache.lucene.store.RAMDirectory;
import org.lionsoul.jcseg.analyzer.JcsegAnalyzer4X;
import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;
import org.apache.lucene.document.*;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.Term;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;
import org.lionsoul.jcseg.core.JcsegTaskConfig;
import org.wltea.analyzer.lucene.IKAnalyzer;
import java.io.*;
import java.nio.charset.StandardCharsets;


public class FileIndexTest {
private FileIndexTest() {}

private IndexWriterConfig conf = null;

public FileIndexTest(IndexWriterConfig conf) {
    this.conf = conf;
}

public void indexFilesInDir(String docsPath, String indexPath, boolean createIfNotExists){
    final File docDir = new File(docsPath);
    if (!docDir.exists() || !docDir.canRead()) {
        System.out.println("Document directory '" +docDir.getAbsolutePath()+ "' does not exist or is not readable, please check the path");
        System.exit(1);
    }

    long start = System.currentTimeMillis();
    try {
        System.out.println("Indexing into directory '" + indexPath + "'...");

        Directory dir = null != indexPath ? FSDirectory.open(new File(indexPath)): new RAMDirectory();

        if (createIfNotExists) {
            conf.setOpenMode(IndexWriterConfig.OpenMode.CREATE);
        } else {
            conf.setOpenMode(IndexWriterConfig.OpenMode.CREATE_OR_APPEND);
        }

        IndexWriter writer = new IndexWriter(dir, conf);
        indexDocs(writer, docDir);

        writer.close();

        System.out.println(System.currentTimeMillis() - start + " total milliseconds");
    } catch (IOException ex) {
        ex.printStackTrace();
    }
}

public static void indexDocs(IndexWriter writer, File file) throws IOException {

    if (file.canRead()) {
        if (file.isDirectory()) {
            String[] files = file.list();

            if (files != null) {
                for (int i = 0; i < files.length; i++) {
                    indexDocs(writer, new File(file, files[i]));
                }
            }
        } else {
            FileInputStream fis;
            try {
                fis = new FileInputStream(file);
            } catch (FileNotFoundException fnfe) {

                return;
            }
            try {
                Document doc = new Document();
                Field pathField = new StringField("path", file.getPath(), Field.Store.YES);

                doc.add(pathField);
                doc.add(new LongField("modified", file.lastModified(), Field.Store.NO));
                doc.add(new TextField("contents", new BufferedReader(new InputStreamReader(fis, StandardCharsets.UTF_8))));
                if (writer.getConfig().getOpenMode() == IndexWriterConfig.OpenMode.CREATE) {
                    // New index, so we just add the document (no old document can be there):
                    System.out.println("adding " + file);
                    writer.addDocument(doc);
                } else {

                    System.out.println("updating " + file);
                    writer.updateDocument(new Term("path", file.getPath()), doc);
                }
            } finally {
                fis.close();
            }
        }
    }
}

public static void main(String[] args) {
    String usage = "java org.apache.lucene.demo.IndexFiles"
            + " [-index INDEX_PATH] [-docs DOCS_PATH] [-update]\n\n"
            + "This indexes the documents in DOCS_PATH, creating a Lucene index"
            + "in INDEX_PATH that can be searched with SearchFiles";
    String indexPath = null;
    String docsPath = null;
    boolean create = true;
    for (int i = 0; i < args.length; i++) {
        if ("-index".equals(args[i])) {
            indexPath = args[i + 1];
            i++;
        } else if ("-docs".equals(args[i])) {
            docsPath = args[i + 1];
            i++;
        } else if ("-update".equals(args[i])) {
            create = false;
        }
    }
    if (docsPath == null) {
        System.err.println("Usage: " + usage);
        System.exit(1);
    }

    /*IKAnalyzer*/
    FileIndexTest test = new FileIndexTest(new IndexWriterConfig(Version.LUCENE_4_10_2, new IKAnalyzer()));
    test.indexFilesInDir(docsPath, indexPath, create);
    /*Jcseg*/
    FileIndexTest test1 = new FileIndexTest(new IndexWriterConfig(Version.LUCENE_4_10_2, new JcsegAnalyzer4X(JcsegTaskConfig.COMPLEX_MODE)));
    test1.indexFilesInDir(docsPath, indexPath, create);

    /*mmseg*/
    FileIndexTest test2 = new FileIndexTest(new IndexWriterConfig(Version.LUCENE_4_10_2, new ComplexAnalyzer()));
    test2.indexFilesInDir(docsPath, indexPath, create);
}
}

如上所示:IK-analyzer、Jcseg、mmseg4j都是用统一接口,测试,就将其他两个给注释掉。 同时:当测试内存消耗量时, 我们需要将索引建立在磁盘中测试jar包的命令例子如下:

java -jar indexFile.jar -docs ~/resource/ -index ~/index/

当测试CPU消耗时,我们尽量减小IO的消耗,那么可以将索引建立在内存中,测试jar包的命令例子如下:

java -jar indexFile.jar -docs ~/resource/s

得到如下面所有图所示的结果:

Figure 1. IK-Analyzer分词消耗内存

Figure 2. Jcseg分词消耗内存

Figure 3. mmseg4j分词消耗内存

Figure 4. IK-Analyzer分词CPU使用率

Figure 5. Jcseg分词CPU使用率

Figure 6. mmseg4j分词CPU使用率

从几个指标对比来看:IK-analyzer的准确度稍差,Jcseg的时间消耗稍差

时间消耗上:在索引创建1,003,057 items, totalling 2.8 GB的文件:

综上所有因素:

  • 准确率为:Jcseg > mmseg4j > IK-Analyzer。

  • 内存消耗和CPU使用率上,几个都在一个数量级上,很难分出胜负。

  • 但是在时间消耗上明显mmseg4j的优势非常突出。

  • 从活跃度来看,mmseg4j的活跃度也是非常可喜的。