以前做知识管理系统的时候,由于需要建立全文检索和统计词频,需要对中文文本进行分词。对于中文分词,
国内做到好的应该是中科院自然研究所,但是相对比较复杂,我看了几次没有看明白. :) ,由于平常我们的知识系统
对分词的要求没有这么高,所以 就选择了最大化的词表分词法. 词表选择的是人民日报97版的词表.
实际效果可以达到90%以上,基本可以满足需要。支持 Lucene.net分词,词表是启动时一次性载入;
具体代码如下:
public sealed class LtWordTokenizer : Tokenizer
{
private String bufferText;
private ArrayList wordArray;
private int intIndex=0;
public static Hashtable hsDic=new Hashtable();
public LtWordTokenizer(TextReader _in)
{
input = _in;
bufferText=input.ReadToEnd().ToLower();
wordArray=new ArrayList();
wordSegment(bufferText);
}
public void wordSegment(String Sentence)
{
int senLen = Sentence.Length;
int i=0, j=0;
int M=12;
string word;
while(i < senLen)
{
int N= i+M
1<senlen :="" ?="" bfind="false;" bool="" for(j="N-1;" i+m="" j="" senlen+1;="">i; j--)
2{
3word = Sentence.Substring(i, j-i).Trim();
4if(hsDic.ContainsKey(word.Trim()))
5{
6wordArray.Add(new Token(word,i,i+word.Length));
7bFind=true;
8i=j;
9break;
10}
11}
12if(!bFind)
13{
14word = Sentence.Substring(i, 1).Trim();
15i=j+1;
16if(word.Trim()!="")
17{
18wordArray.Add(new Token(word,i,i+word.Length));
19}
20}
21}
22}
23
24
25
26public override Token Next()
27{
28
29if(intIndex<wordArray.Count)
30{
31intIndex++;
32return (Token)(wordArray[intIndex-1]);
33}
34else
35return null;
36}
37
38}
39}
40
41下次可以在分词的时候更改一下,不必先分好保存到arraylist,动态速度更好。</senlen>