Lucene中文分词下载（支持 全切分算法 和 最大匹配算法）
将分词应用与搜索，通常有“匹配率”和“准确度”的矛盾，有的用户希望输入“人民”能查出“人民币”相关记录，有的用户则希望能提供相对语义精确的信息，这个矛盾大家是如何解决的，有兴趣的一起来讨论一下。
为了解决这个矛盾，就写了两种算法的
正反向全切分算法：
import org.mira.lucene.analysis.IK_CAnalyzer <------引用类
import .....
public class IKAnalyzerTest extends TestCase {
RAMDirectory directory;
private IndexSearcher searcher;
public void setUp() throws Exception {
directory = new RAMDirectory();
IndexWriter writer = new IndexWriter(directory,
new IK_CAnalyzer(), <-------实例化类
true);
Document doc = new Document();
doc.add(Field.Keyword("partnum", "Q36"));
doc.add(Field.Text("description", "Illidium Space Modulator"));
writer.addDocument(doc);
writer.close();
searcher = new IndexSearcher(directory);
}
public void testTermQuery() throws Exception {
Query query = new TermQuery(new Term("partnum", "Q36"));
Hits hits = searcher.search(query);
assertEquals(1, hits.length());
}
}
分词效果测试，命令行如下：
java -classpath IKAnalyzer.jar;lucene-core-2.0.0.jar
org.mira.lucene.analysis.IK_CAnalyzer
中华人民共和国香港特别行政区
该算法适合与互联网用户的搜索习惯和企业知识库检索，用户可以用句子中涵盖的中文词汇搜索，如用"人民"搜索含"人民币"的文章，这是大部分用户的搜索思维；
不适合用于知识挖掘和网络爬虫技术，全切分法容易造成知识歧义，因为在语义学上"人民"和"人民币"是完全搭不上关系的。
分词效果：
1.实现中文单词细粒度全切分
如：中华人民共和国
0 - 2 = 中华
0 - 4 = 中华人民
0 - 7 = 中华人民共和国
1 - 3 = 华人
2 - 4 = 人民
2 - 7 = 人民共和国
4 - 6 = 共和
4 - 7 = 共和国
2.实现对专有名词的识别和切分（人名，公司名）
如：陈文平是开睿动力通讯科技有限公司董事长
0 - 3 = 陈文平 <------ 人名，非汉语词汇
4 - 6 = 开睿 <------ 公司名，非汉语词汇
6 - 8 = 动力
8 - 10 = 通讯
10 - 12 = 科技
12 - 14 = 有限
12 - 16 = 有限公司
14 - 16 = 公司
16 - 18 = 董事
16 - 19 = 董事长
18 - 19 = 长
3.对数词和量词的合理切分
如：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡­，20000余人受伤，近20万人无家可归。
0 - 1 = 据
1 - 4 = 路透社
4 - 6 = 报道
。。。。。。
18 - 20 = 官员
20 - 22 = 星期
20 - 23 = 星期二
22 - 23 = 二
24 - 26 = 29
24 - 27 = 29日
26 - 27 = 日
28 - 30 = 表示
31 - 33 = 日惹
33 - 34 = 市
。。。。。。
40 - 42 = 27
40 - 43 = 27日
43 - 44 = 晨
44 - 45 = 5
44 - 46 = 5时
45 - 46 = 时
46 - 48 = 53
46 - 49 = 53分
48 - 50 = 分发
。。。。。。
52 - 54 = 里氏
54 - 57 = 6.2
54 - 58 = 6.2级
57 - 58 = 级
58 - 60 = 地震
。。。。。。
66 - 70 = 5427
66 - 71 = 5427人
71 - 73 = 死亡
72 - 73 = 亡
74 - 79 = 20000
79 - 81 = 余人
81 - 83 = 受伤
84 - 85 = 近
85 - 87 = 20
85 - 89 = 20万人
87 - 89 = 万人
89 - 93 = 无家可归
最大匹配切分算法：
新增最大分词算法分词器
下载地址：
http://groups-beta.google.com/group/SegWord/web/IKAnalyzer.jar
实现类 ： org.mira.lucene.analysis.MIK_CAnalyzer
效果测试命令行：
java -classpath IKAnalyzer.jar;lucene-core-2.0.0.jar org.mira.lucene.analysis.MIK_CAnalyzer 中华人民共和国香港特别行政区
分词效果：
例子：中华人民共和国香港特别行政区
0 - 7 = 中华人民共和国
7 - 14 = 香港特别行政区
例子：陈文平是开睿动力通讯科技有限公司董事长
0 - 3 = 陈文平
4 - 6 = 开睿
6 - 8 = 动力
8 - 10 = 通讯
10 - 12 = 科技
12 - 16 = 有限公司
16 - 19 = 董事长
例子：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡?，20000余人受伤，近20万人无家可归。
1 - 4 = 路透社
4 - 6 = 报道
7 - 12 = 印度尼西亚
12 - 14 = 社会
14 - 16 = 事务
18 - 20 = 官员
20 - 23 = 星期二
24 - 27 = 29日
28 - 30 = 表示
31 - 33 = 日惹
34 - 36 = 附近
36 - 40 = 当地时间
40 - 43 = 27日
44 - 46 = 5时
46 - 49 = 53分
48 - 50 = 分发
49 - 51 = 发生
50 - 52 = 生的
52 - 54 = 里氏
54 - 58 = 6.2级
58 - 60 = 地震
60 - 62 = 已经
62 - 64 = 造成
64 - 66 = 至少
66 - 71 = 5427人
71 - 73 = 死亡
75 - 80 = 20000
80 - 82 = 余人
82 - 84 = 受伤
86 - 90 = 20万人
90 - 94 = 无家可归
问题点数：0、回复次数：12Top
1 楼corn8888（）回复于 2006-12-14 15:16:17 得分 0
upTop
2 楼ruanjiantaotao（涛涛）回复于 2006-12-14 15:17:31 得分 0
不错~Top
3 楼linliangyi2006（）回复于 2006-12-21 13:18:08 得分 0
最新V1.1版分词器，已更新。
1.修订了对数量次切分的BUG
2.修订了对大文本切分时的重复输出BUG
下载地址
http://groups-beta.google.com/group/SegWord/web/IKAnalyzer.jarTop
4 楼linliangyi2006（）回复于 2006-12-26 18:20:33 得分 0
如果用户发现google下载不能使用（经常出现下载一半的现象），可以在以下链接下载：
[url]http://download.csdn.net/source/160366[/url]Top
5 楼linliangyi2006（）回复于 2006-12-27 13:00:15 得分 0
<href=http://download.csdn.net/source/160366>Lucene中文分词器 V1.1 CSDN下载</href>
<href=http://groups-beta.google.com/group/SegWord/web/IKAnalyzer.jar>Lucene中文分词器 V1.1 Google 下载</href>Top
6 楼YuLimin（阿敏总司令：简单就是美—钻石闪闪您快结贴！）回复于 2006-12-28 20:00:38 得分 0
GoodTop
7 楼linliangyi2006（）回复于 2006-12-30 10:17:11 得分 0
新版本V1.2已经发布
1.优化词典
2.优化对人名，公司名，未知词汇切分
<href=http://download.csdn.net/source/160428>Lucene中文分词器 V1.2 CSDN下载</href>
<href=http://groups-beta.google.com/group/SegWord/web/IKAnalyzer.jar>Lucene中文分词器 V1.2 Google 下载</href>Top
8 楼pdvv（花猫）回复于 2006-12-30 10:19:41 得分 0
upTop
9 楼linliangyi2006（）回复于 2007-01-10 16:12:42 得分 0
最新V1.3版分词器，已更新。
1.优化数词切分
2.优化算法效率
下载地址：
[url=http://download.csdn.net/source/160562]Lucene中文分词器 V1.3 CSDN下载[/url]
[url=http://groups-beta.google.com/group/SegWord/web/IKAnalyzerV1.3.jar]Lucene中文分词器 V1.3 Google下载[/url]Top
10 楼YuLimin（阿敏总司令：简单就是美—钻石闪闪您快结贴！）回复于 2007-01-11 13:32:44 得分 0
为啥不进行开源分享呢：）Top
11 楼linliangyi2006（）回复于 2007-01-11 15:27:34 得分 0
不是不想开源，这点上我也想了很久，目前中国的开源环境不好亚，对开源的做法不让人认可，所以本人只在私下交流，不做开源。Top
12 楼linliangyi2006（）回复于 2007-01-19 11:44:51 得分 0
最新V1.4版分词器，已更新。
1.修订特定情况下数量词切分造成指针越界异常的BUG
2.进一步优化算法效率
3.优化词典
4.对英文和数词改为分割处理
下载地址：
[url=http://download.csdn.net/source/160753]Lucene中文分词器 V1.4CSDN下载[/url]
[url=http://segword.googlegroups.com/web/IKAnalyzer1.4.rar]Lucene中文分词器 V1.4 Google下载[/url]
Top
