目录
IK Analyzer中文分词工具包如何修改扩展词典和停止词典 1
1. IK Analyzer概念 1
2. 配置文件 2
3. 配置扩展词典ext.dic 3
4. 配置停止词典stopword.dic 3
5. 测试效果 4
IK Analyzer 是一个开源的,基于java语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。
IK Analyzer的结构如下图:
IK Analyzer 2012特性:
采用了特有的“正向迭代最细粒度切分算法“,支持细粒度和智能分词两种切分模式;
在系统环境:Core2 i7 3.4G双核,4G内存,window 7 64位, Sun JDK 1.6_29 64位 普通pc环境测试,IK2012具有160万字/秒(3000KB/S)的高速处理能力。
2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。
采用了多子处理器分析模式,支持:英文字母、数字、中文词汇等分词处理,兼容韩文、日文字符优化的词典存储,更小的内存占用。支持用户词典扩展定义。特别的,在2012版本,词典支持中文,英文,数字混合词语。
IKAnalyzer.cfg.xml 分词器扩展配置文件
ext.dic 扩展词典
stopword.dic 停止词典
在java项目中放置位置如下图:
备注:
【1】要把IKAnalyzer2012_u6.jar中的ext.dic删除掉。
【2】修改完配置文件后需要把Referenced Library中的IKAnalyzer2012_u6.jar删除掉,重新一次。如下图:
ext.dic格式是无BOM的UTF-8格式,自己修改时可以直接替换成首行空一行的utf8格式文件,每个扩展词占一行。如下图:
stopword.dic格式是无BOM的UTF-8格式,自己修改时可以直接替换成首行空一行的utf8格式文件,每个扩展词占一行。如下图:
说明:
【1】 由于扩展词典中包含:“色啊情”,“我是谁”,“诛仙诛仙2”,“梦幻诛仙梦幻诛”,“梦幻诛仙梦幻诛仙2”,所以分词后的结果中这些短语没有被切分。
【2】 由于停止词典中包含“是”,所以切分后结果中不包含“是”
本文来源:https://www.2haoxitong.net/k/doc/c69410eb647d27284b7351e5.html
文档为doc格式