【分享】Lucene.Net的中文分词组件AdvancedChineseAnalyzer
描述:A Chinese Analyzer that utilizes HMM. 基于隐马尔科夫模型的中文分析器。
运行环境:Microsoft .Net Framework 2.0
依存软件:Lucene.Net
作者:Kelvin ZHANG (kelvin.cn{@t}56.com)
授权:Free for noncommercial use 对非盈利使用免费
下载:
http://files.cnblogs.com/KelvinZhang/AdvancedChineseAnalyzer.part1.rar
http://files.cnblogs.com/KelvinZhang/AdvancedChineseAnalyzer.part2.rar
http://files.cnblogs.com/KelvinZhang/AdvancedChineseAnalyzer.part3.rar
【1】为什么要分词?
减小索引大小,减少搜索开销,提高响应速度,改善搜索结果的相关性。
【2】与以往Lucene.Net的NLS包中提供的ChineseAnalyzer有什么不同?
NLS中的ChineseAnalyzer只简单地将连续字串两两组合,例如,对“文本分析器”进行分析,将得到“文本”、“本分”、“分析”和“析器”。而使用AdvancedChineseAnalyzer分析,将得到“文本”、“分析器”两个Tokens。AdvancedChineseAnalyzer的分词算法有两种,一种基于“上下文无关的词频优选”,第二种则是基于“一阶隐马尔科夫模型(HMM)”。
【3】这两种算法的分词正确率和速度各如何?
排除人名,地面等专有未登录词不算,HMM模式下切分正确率达到98%,非HMM模式下达到94%左右。HMM模式每秒可以处理75kbps文本,非HMM模式速度在100kbps左右。两种模式可以自由切换。
【4】怎样才能将AdvancedChineseAnalyzer结合Lucene.Net使用?
然后把objCA传递给IndexWriter的构造函数就可以了。
【5】AdvancedChineseAnalyzer是免费的吗?
是的,个人以非盈利目的的使用是免费的。但作者不提供技术支持,也不保证AdvancedChineseAnalyzer没有问题。Use it at your own risk.
【6】如何开启HMM模式?
【7】为何输入文本和输出的不一样,少了很多(见图)?
已经过滤了停用词。常见的无意义虚词、标点符号、英文停用词等都已经过滤掉了。
【分享】Lucene.Net的中文分词组件AdvancedChineseAnalyzer相关推荐
- Lucene.Net的中文分词组件AdvancedChineseAnalyzer
库名称:AdvancedChineseAnalyzer 高级中文文本分析器 描述:A Chinese Analyzer that utilizes HMM. 基于隐马尔科夫模型的中文分析器. 运行环境 ...
- 分享Lucene中文分词组件IK Analyzer V3.2.8
IK Analyzer 3.X介绍 IK Analyzer是一个开源的,基于java诧言开发的轻量级的中文分词工具包.从2006年12月推出1.0版开始, IKAnalyzer已经推出了3个大版本 ...
- 转 Lucene中文分词组件 JE-Analysis 1.5.1 天狼
2006-05-29 17:40 主题: [发布]Lucene中文分词组件 JE-Analysis 1.5.1 天狼 注册于: 2006-05-28 00:23 帖子总数: 103 离线 ...
- Java分布式中文分词组件 - word分词(转自 https //github com/ysc/word)
首先给大家分享一个巨牛巨牛的人工智能教程,是我无意中发现的.教程不仅零基础,通俗易懂,而且非常风趣幽默,还时不时有内涵段子,像看小说一样,哈哈-我正在学习中,觉得太牛了,所以分享给大家!点这里可以跳转 ...
- Java分布式中文分词组件 - word分词
Java分布式中文分词组件 - word分词 word分词是一个Java实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义.能准确识别英文.数字,以及日期.时间等 ...
- Java分布式中文分词组件 - word分词(转自:https://github.com/ysc/word)
###Java分布式中文分词组件 - word分词 ####word分词是一个Java实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义.能准确识别英文.数字,以 ...
- Java中文分词组件 - word分词(skycto JEEditor)
转自:https://my.oschina.net/apdplat/blog/228619#OSC_h4_8 Java分布式中文分词组件 - word分词 word分词是一个Java实现的分布式的中文 ...
- jieba中文分词组件
目录 jieba简介 组件特点 安装方法 算法 使用jieba 分词 添加自定义词典 载入词典 调整词典 关键词提取 基于 TF-IDF 算法的关键词抽取 基于 TextRank 算法的关键词抽取 词 ...
- Lucene学习——IKAnalyzer中文分词(二)
一.环境 1.平台:MyEclipse8.5/JDK1.5 2.框架:Lucene3.6.1/IKAnalyzer2012/htmlparser 二.目标 1.整合前面连篇文章(Lucene学习--I ...
最新文章
- 【计算理论】计算复杂性 ( 两个带子的图灵机的时间复杂度 )
- 美团在Redis上踩过的一些坑-4.redis内存使用优化
- Java数组数字排列
- iptables,haproxy转发ftp(21端口)
- php header详解
- 安装内存条后系统蓝屏怎么解决
- 众包专访:快得难以想象!开源中国众包解决了团队开发的燃眉之急
- IP 地址由网络和主机两部分标识组成
- 数字万用表各指标含义:准确度(精度)分辨力(分辨率)测量范围--转
- LINUX DDR驱动知识(转)
- 小米平板刷机shell怎么退_小米平板2win10版刷miui出现shell怎么办
- 2018年计算机考证时间
- 联想电脑ctrl + r 快捷键无法使用
- 蓝桥杯:翻转旋转变换(矩阵旋转)
- 招商银行信用卡中心笔试编程题 - 序列找数
- windows10更新报错0x80244022的解决方法
- java教程菜鸟要飞_php7新特性 - 菜鸟要飞啊的IT小窝 - OSCHINA - 中文开源技术交流社区...
- 《LeetCode零基础指南》导读
- mysql的七种查询命令_mysql查询命令详细
- 高德地图开发(三、地图marker点标记)