NewSMTH

zhjin (sweptAway): 在开发中文分词器的时候， 一个高效的词典结构尤其重要。 词典
的一种常见高效的实现方式就是使用 Trie 结构， 但是传统的 Trie
结构的实现方式复杂， 也比较浪费内存。 双数组 是目前 Trie 结构
中的一种高效的实现方式， 检索速度快， 也比较节约内存。 这里简
要介绍两个比较实用的双数组实现
1. Darts (http://chasen.org/~taku/software/darts/)
Darts(Double-ARray Trie System) 是日本的 Taku kudo (也是 CRF++
的作者) 实现的一个双数组， 接口简单，只提供了一个约 500 行代码
的头文件 darts.h, 实现的逻辑也相对简单， 如果了解双数组的原理
的话，要读懂代码并不难。目前两个著名的开源日文分词系统 Mecab,
Chasen 都使用 Darts 构建词典， 检索速度快， 但是有点浪费内存。
Darts 的接口文档是日文的， 我把它的主要接口翻译成了中文，
可以参看我博客上的如下链接
http://zhjin.spaces.live.com/blog/cns!2FEA4AA78B600980!692.entry?&_c02_vws=1
2. Darts-clone (http://code.google.com/p/darts-clone/)
另外一个日本人 Susumu Yata 开发的一个双数组实现， 接口完全兼容
Darts, 因此叫做 Darts-clone, 实现算法可以参看论文
Yata, S.; Oono, M.; Morita, K.; Fuketa, M.; Sumitomo, T. & Aoe, J.
A compact static double-array keeping character codes.
Information Processing and Management, Vol. 43, No. 1, pp. 237-247, 2007.
从论文的署名顺利来看， 该作者应该是双数组的发明者 Junichi Aoe
的学生。 在 Darts 中， 双数组的每个节点要由 base 和 check 两个
32bit 整数来表示， Susumu Yata 的论文中给出了只用一个 32bit 整
数来同时表示 base 和 check
的简单方法， 同时又对只有单个分支的节点进行压缩，因此Darts-clone
相比于 Darts大大节约了内存。 另外， Darts-clone 在实现的时候把双
数组中的加法操作巧妙替换为位运算， 因此检索速度上也要比 Darts 稍
快一些。
有兴趣的读者可以参看 http://code.google.com/p/darts-clone/w/list
中给出的 Darts & Darts-clone 的性能对比。作者给了 Darts-clone 的两个
实现
Darts clone 0.32f 内存消耗为 Darts 的 1/2, 速度比 Darts 快
Darts clone 0.32e 内存消耗为 Darts 的 1/4, 速度比 Darts 慢
当然以上为粗略结果， 性能表现在不同数据集上略有差异��boycat (记得请冬子打球|我是乡下人，小地方来的): 赞~~~
【 在 zhjin (sweptAway) 的大作中提到: 】
: 在开发中文分词器的时候， 一个高效的词典结构尤其重要。 词典
: 的一种常见高效的实现方式就是使用 Trie 结构， 但是传统的 Trie
: 结构的实现方式复杂， 也比较浪费内存。 双数组 是目前 Trie 结构
: ...................jiju (Super.Jiju): zan
【 在 zhjin (sweptAway) 的大作中提到: 】
: 在开发中文分词器的时候， 一个高效的词典结构尤其重要。 词典
: 的一种常见高效的实现方式就是使用 Trie 结构， 但是传统的 Trie
: 结构的实现方式复杂， 也比较浪费内存。 双数组 是目前 Trie 结构