全文检索、数据挖掘、推荐引擎系列4---去除停止词添加同义词

Lucene对文本解析是作为全文索引及全文检索的预处理形式出现的，因此在一般的Lucene文档中，这一部分都不是重点，往往一带而过，但是对于要建立基于文本的内容推荐引擎来说，却是相当关键的一步，因此有必要认真研究一下Lucene对文解析的过程。

Lucene对文本的解析对用户的接口是Analyzer的某个子类，Lucene内置了几个子类，但是对于英文来说StandardAnalyzer是最常用的一个子类，可以处理一般英文的文解析功能。但是对于汉字而言，Lucene提供了两个扩展包，一个是CJKAnalyzer和SmartChineseAnalyzer，其中SmartAnalyzer对处理中文分词非常适合，但是遗憾的是，该类将词典利用隐马可夫过程算法，集成在了算法里，这样的优点是减小了体积，并且安装方便，但是如果想向词库中添加单词就需要重新学习，不太方便。因此我们选择了MMSeg4j，这个开源的中文分词模块，这个开源软件的最大优点就可用户可扩展中文词库，非常方便，缺点是体积大加载慢。

首先通过一个简单的程序来看中文分词的使用：

Analyzer analyzer = null;

//analyzer = new StandardAnalyzer(Version.LUCENE_33);

//analyzer = new SimpleAnalyzer(Version.LUCENE_33);

analyzer = new MMSegAnalyzer();

TokenStream tokenStrm = analyzer.tokenStream("content", new StringReader(examples));

OffsetAttribute offsetAttr = tokenStrm.getAttribute(OffsetAttribute.class);

CharTermAttribute charTermAttr = tokenStrm.getAttribute(CharTermAttribute.class);

PositionIncrementAttribute posIncrAttr =

tokenStrm.addAttribute(PositionIncrementAttribute.class);

TypeAttribute typeAttr = tokenStrm.addAttribute(TypeAttribute.class);

String term = null;

int i = 0;

int len = 0;

char[] charBuf = null;

int termPos = 0;

int termIncr = 0;

try {

while (tokenStrm.incrementToken()) {

charBuf = charTermAttr.buffer();

termIncr = posIncrAttr.getPositionIncrement();

if (termIncr > 0) {

termPos += termIncr;

}

for (i=(charBuf.length - 1); i>=0; i--) {

if (charBuf[i] > 0) {

len = i + 1;

break;

}

}

//term = new String(charBuf, offsetAttr.startOffset(), offsetAttr.endOffset());

term = new String(charBuf, 0, offsetAttr.endOffset() - offsetAttr.startOffset());

System.out.print("[" + term + ":" + termPos + "/" + termIncr + ":" +

typeAttr.type() + ";" + offsetAttr.startOffset() + "-" + offsetAttr.endOffset() + "] ");

}

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

这里需要注意的是：

TermAttribute已经在Lucene的新版本中被标为过期，所以程序中使用CharTermAttribute来提取每个中文分词的信息

MMSegAnalyzer的分词效果在英文的条件下基本与Lucene内置的StandardAnalyzer相同

可以进行初步的中文分词之后，我们还需处理停止词去除，例如的、地、得、了、呀等语气词，还有就是添加同义词：第一种是完全意义上的同义词，如手机和移动电话，第二种是缩写与全称，如中国和中华人民共和国，第三种是中文和英文，如计算机和PC，第四种是各种专业词汇同义词，如药品名和学名，最后可能还有一些网络词语如神马和什么等。

在Lucene架构下，有两种实现方式，第一种是编写TokenFilter类来实现转换和添加，还有一种就是直接集成在相应的Analyzer中实现这些功能。如果像Lucene这样的开源软件，讲求系统的可扩展性的话，选择开发独立的TokenFilter较好，但是对于我们自己的项目，选择集成在Analyzer中将是更好的选择，这样可以提高程序执行效率，因为TokenFilter需要重新逐个过一遍所有的单词，效率比较低，而集成在Analyzer中可以保证在分解出单词的过程中就完成了各种分词操作，效率当然会提高了。

Lucene在文本解析中，首先会在Analyzer中调用Tokenizer，将文本分拆能最基本的单位，英文是单词，中文是单字或词组，我们的去除停止词和添加同义词可以放入Tokenizer中，将每个新拆分的单词进行处理，具体到我们所选用的MMSeg4j中文分词模块来说，就是需要在MMSegTokenizer类的incrementToken方法中，添加去除停止词和添加同义词：

public boolean incrementToken() throws IOException {

if (0 == synonymCnt) {

clearAttributes();

Word word = mmSeg.next();

currWord = word;

if(word != null) {

// 去除截止词如的、地、得、了等

String wordStr = word.getString();

if (stopWords.contains(wordStr)) {

return incrementToken();

}

if (synonymKeyDict.get(wordStr) != null) { // 如果具有同义词则需要先添加本身这个词，然后依次添加同义词

synonymCnt = synonymDict.get(synonymKeyDict.get(wordStr)).size(); // 求出同义词，作为结束条件控制

}

//termAtt.setTermBuffer(word.getSen(), word.getWordOffset(), word.getLength());

offsetAtt.setOffset(word.getStartOffset(), word.getEndOffset());

charTermAttr.copyBuffer(word.getSen(), word.getWordOffset(), word.getLength());

posIncrAttr.setPositionIncrement(1);

typeAtt.setType(word.getType());

return true;

} else {

end();

return false;

}

} else {

char[] charArray = null;

String orgWord = currWord.getString();

int i = 0;

Vector<String> synonyms = (Vector<String>)synonymDict.get(synonymKeyDict.get(orgWord));

if (orgWord.equals(synonyms.elementAt(synonymCnt - 1))) { // 如果是原文中出现的那个词则不作任何处理

synonymCnt--;

return incrementToken();

}

// 添加同意词

charArray = synonyms.elementAt(synonymCnt - 1).toCharArray();//termAtt.setTermBuffer(t1, 0, t1.length);

offsetAtt.setOffset(currWord.getStartOffset(), currWord.getStartOffset() + charArray.length); // currWord.getEndOffset());

typeAtt.setType(currWord.getType());

charTermAttr.copyBuffer(charArray, 0, charArray.length);

posIncrAttr.setPositionIncrement(0);

synonymCnt--;



return true;

}

}

停止词实现方式：

private static String[] stopWordsArray = {"的", "地", "得", "了", "呀", "吗", "啊",

"a", "the", "in", "on"};

在构造函数中进行初始化：

if (null == stopWords) {

int i = 0;

stopWords = new Vector<String>();

for (i=0; i<stopWordsArray.length; i++) {

stopWords.add(stopWordsArray[i]);

}

}

同义词的实现方式：

private static Collection<String> stopWords = null;

private static Hashtable<String, String> synonymKeyDict = null;

private static Hashtable<String, Collection<String>> synonymDict = null;

同样在初始化函数中进行初始化：注意这里只是简单的初始化示例

// 先找出一个词的同义词词组key值，然后可以通过该key值从

// 最终本部分内容将通过数据库驱动方式进行初始化

if (null == synonymDict) {

synonymKeyDict = new Hashtable<String, String>();

synonymDict = new Hashtable<String, Collection<String>>();

synonymKeyDict.put("猎人", "0");

synonymKeyDict.put("猎户", "0");

synonymKeyDict.put("猎手", "0");

synonymKeyDict.put("狩猎者", "0");

Collection<String> syn1 = new Vector<String>();

syn1.add("猎人");

syn1.add("猎户");

syn1.add("猎手");

syn1.add("狩猎者");

synonymDict.put("0", syn1);

// 添加狗和犬

synonymKeyDict.put("狗", "1");

synonymKeyDict.put("犬", "1");

Collection<String> syn2 = new Vector<String>();

syn2.add("狗");

syn2.add("犬");

synonymDict.put("1", syn2);

}

在经过上述程序后，再对如下中文进行解析：咬死猎人的狗

解析结果为：

[咬:1/1:word;0-1] [死:2/1:word;1-2] [猎人:3/1:word;2-4] [狩猎者:3/0:word;2-5] [猎手:3/0:word;2-4] [猎户:3/0:word;2-4] [狗:4/1:word;5-6] [犬:4/0:word;5-6]

由上面结果可以看出，已经成功将猎人和狗的同义词加入到分词的结果中，这个工具就可以作为下面全文内容推荐引擎的实现基础了。