中文分词器IK和Paoding技术对比

1.    IK和Paoding的技术介绍

一、Ik分词器介绍：

优点：

缺点：

二、Paoding分词器介绍：

优点：

缺点：

2.    IK和Paoding的技术对比

一、IK分词策略：

二、Paoding分词策略：

三、二者的分词区别：

3.    IK和Paoding实现数据对比

1.    IK和Paoding的技术介绍

一、Ik分词器介绍：

优点：

采用了特有的“正向迭代最细粒度切分算法”，具有60万字/秒的高速处理能力。

采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科学计数法），中文词汇（姓名、地名处理）等分词处理。

优化的词典存储，更小的内存占用。支持用户词典扩展定义。

针对Lucene全文检索优化的查询分析器IKQueryParser，采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索的命中率。

 

缺点：

在出现连词时，不是顺序取词，而是取最后的词，如：“流体用”，（词典有‘流体’和‘体用’）本应该分为“流体 | 用”，而IK却分成了“流 | 体用”。

 

二、Paoding分词器介绍：

优点：

高扩展性：能非常方便的扩充字典，也可以非常方便的添加停用词。

效率极高-极高效率的字典查找算法；尽量避免无谓试探查找。 

算法简练-简单易理解的算法，但效率却是非常高效的。

轻松支持最大/最小切词。 

 

缺点：

分词精确度不好，涉及了汉语语义的问题，几乎不可完全解决。如：“和服”实例。

 

2.    IK和Paoding的技术对比

(评估：二者的分词方式很相近; 且对未登录词都是采用二元分词。)

一、IK分词策略：

采用 “正向迭代最细粒度切分算法”细粒度全切分，对于不在词典中的词进行二元分词；多子处理器分析模式。

三个分词器：CJKSegmenter(中文分词)，CN_QuantifierSegmenter(数量词分词)，LetterSegmenter(字母分词)。

有两种分词模式：细粒度分词和智能分词。

 

二、Paoding分词策略：

细粒度全切分，对于不在词典中的词进行二元分词；

使用不同的 Knife（主要为CJKKnife、LetterKnife和NumberKnife） 切不同类型的流，不算很复杂。

有两种分词模式：most-words（最大词量分词方式）和max-word-length（按词在词典中的原序来进行编译，基本不再做其他处理）。

max-word-length此种分词模式还有问题（不能加载所有数据），未能解决。

 

三、二者的分词区别：

细粒度分词

IK分词是“正向迭代最细粒度切分算法”，故它是从开始以循序分词。
而Paoding分词虽然也是正向分词(迭代器来进行的缓存)，但是它是贪婪的切词，就是说找到一个词后，继续往下找，找到以这个字开头的所有词为止。

粗粒度分词

二者的粗粒度的结果是一样的，都是取最大词。
 

3.    IK和Paoding实现数据对比

例句：“圆柱滚子轴承 N313EM-P4 SKF -- 流体用冷不锈钢无缝钢管 22*3 316L -- 45°无缝弯头 DN200 8mm 20# 219 1.5D -- 无缝等径三通 DN250 7mm 20# GB/T12459”
 

IK细粒度分词效果：

 
圆柱|滚子|滚|子|轴承|n313em-p4|n|313|em|p|4|skf
 

IK智能分词效果：

 
圆柱|滚子|轴承|n313em-p4|skf
 

Paoding细粒度分词效果：

 
圆柱|滚子|轴承|n|313|em|p|4|p4|em-p4|313em-p4|n313em-p4|skf
圆柱|滚|滚子|轴承|n|313|em|p|4|p4|em-p4|313em-p4|n313em-p4|skf|
 

Paoding粗粒度分词效果：

 
圆柱|滚子|轴承|n313em-p4|skf
 http://my.oschina.net/MrMichael/blog/361899