记录一下mmseg相关内容

原文地址：http://www.coreseek.cn/opensource/mmseg/

https://code.google.com/p/mmseg4j/

LibMMSeg 简介

LibMMSeg 是Coreseek.com为 Sphinx 全文搜索引擎设计的中文分词软件包，其在GPL协议下发行的中文分词法，采用Chih-Hao Tsai的MMSEG算法。

MMSEG: A Word Identification System for Mandarin Chinese Text Based on Two Variants of the Maximum Matching Algorithm

Published: 1996-04-29
Updated: 1998-03-06
Document updated: 2000-03-12
License: Free for noncommercial use
Copyright   1996-2006 Chih-Hao Tsai (Email: hao520 at yahoo.com ) 

您可以在Chih-Hao Tsai's Technology Page找到算法的原文。 

LibMMSeg 采用C++开发，同时支持Linux平台和Windows平台，切分速度大约在500K/s（酷睿 2.4G）；截至目前版本LibMMSeg没有为速度做过特殊优化，进一步的提升切分速度仍有空间。

下载

下载 Coreseek-3.2.14+MMSeg 3.2.14，mmseg-3.2.14.tar.gz

mmseg for node.js 

MMSeg 的 Node.js 插件，由 zzdhidden 开发。 
https://github.com/zzdhidden/mmseg-node

修订记录

3.2.14
- 2011.01.12 随coreseek3.2.14提供
- 修正同义词库锁定问题

3.2.13
- 2010.07.01 随coreseek3.2.13提供
- 修正chunks问题 - 完善多操作系统支持

3.2.12
- 2010.05.03 随coreseek3.2提供
- 增加了英文和数字的处理部分 - 优化了相关处理部分

0.7.3
- 2008.05.27 修正 Makefile 无法安装csr_typedefs.h的问题
- 2008.05.27 修正 x64系统上编译无法作为动态库的一部分编译的问题

0.7.2
- 2008.05.19 修正 指定的目录中无词典不提示错误的问题
- 2008.05.19 新增 Ruby 的调用API

0.7.1
- 2008.04.23 修正了在类似 “english 中文 english" 的句子，切分不正确的问题

0.7
- 第一次发行

安装

Window平台

打开源码包中src\win32 子目录下的对应的工程文件，目前LibMMSeg内置了VS2003和VS2005的工程文件。

Linux平台

在源码包根目录下执行：

./configure && make && make install

使用

词典的构造

mmseg -u unigram.txt

该命令执行后，将会在unigram.txt所在目录中产生一个名为unigram.txt.uni的文件，将该文件改名为uni.lib，完成词典的构造。需要注意的是，unigram.txt需要预先准备，并且编码格式必须为UTF-8编码。

特别提醒：Windows下面编辑词典文件，请使用Notepad2，绝对不要使用记事本（Notepad）。

词典文件格式：

....
河 187
x:187
造假者 1
x:1
台北队 1
x:1
湖边 1
......

其中，每条记录分两行。其中，第一行为词项，其格式为：[词条]\t[词频率]。特别提醒，有的编辑器会使用4到8个空格代表\t，这将导致该词条无法解析。需要注意的是，对于单个字后面跟这个字作单字成词的频率，这个频率需要在大量的预先切分好的语料库中进行统计，用户增加或删除词时，一般不需要修改这个数值；对于非单字词，词频率处必须为1。第二行为占位项，是由于LibMMSeg库的代码是从Coreseek其他的分词算法库（N-gram模型）中改造而来的，在原来的应用中，第二行为该词在各种词性下的分布频率。LibMMSeg的用户只需要简单的在第二行处填"x:1"即可。

用户可以通过修改词典文件增加自己的自定义词，以提高分词法在某一具体领域的切分精度，系统默认的词典文件在源代码目录的data/unigram.txt中。 

分词

mmseg -d <dict_dir> tobe_segment.txt

其中，命令使用‘-d’开关指定词库文件所在的位置，参数dict_dir为词库文件（uni.lib ）所在的目录；tobe_segment.txt 为待切分的文本文件，必须为UTF-8编码。如果一切正确，mmseg会将切分结果以及所花费的时间显示到标准输出上。 

对特殊短语的支持

由于LibMMSeg是为Sphinx全文搜索引擎设计的，因此其内置了部分搜索引擎切分算法的特性，主要表现在对特殊短语的支持上。

在搜索引擎中，需要处理C++时，如果分词器中没有词组C++，则将被切分为C/x +/x +/x，在进一步的检索中，可能每个词会由于出现的过于频繁而被过滤掉，导致搜索的结果与C++相关度不高不说，也严重影响的全文搜索的速度。在LibMMSeg中，内置对特殊短语的支持。

其输入文件格式如下

// test commit 
.net => dotnet
c# => csharp
c++ => cplusplus

其中左侧是待支持的特殊短语，右侧是左侧的特殊短语需要被转换为的短语。这一转换在分词前进行。

可以在行的开头加入'//'作为注释符号，发现符号'//'后，整行将被忽略。

特殊短语词库构造命令：

mmseg -b exceptions.txt 

其中, 开关'-b'指示mmseg是要构造特殊短语词库；exceptions.txt是用户编辑的特殊短语转换规则。

该命令执行后，将在当前目录下产生一个名为"synonyms.dat"的文件，将该文件放在"uni.lib"同一目录下，分词系统将自动启动特殊短语转换功能。

注意：

1、在启用了该功能后，如果分词系统发现了一个特殊短语，将直接输出其在右侧对应的替换的值；

2、右侧被替换的值，请保证不会被分词器进行切分。（eg. C++ => C# 这个转换的意义不大，并且可能导致C++这个短语永远无法被检索到！）

 

附录：

MMSeg算法说明

首先来理解一下chunk，它是MMSeg分词算法中一个关键的概念。Chunk中包含依据上下文分出的一组词和相关的属性，包括长度(Length)、平均长度(Average Length)、标准差的平方(Variance)和自由语素度(Degree Of Morphemic Freedom)。下面列出了这4个属性： 

属性	含义
长度(Length)	chuck中各个词的长度之和
平均长度(Average Length)	长度(Length)/词数
标准差的平方(Variance)	同数学中的定义
自由语素度(Degree Of Morphemic Freedom)	各单字词词频的对数之和

  

Chunk中的4个属性只有在需要该属性的值时才进行计算，而且只计算一次。

其次来理解一下规则(Rule)，它是MMSeg分词算法中的又一个关键的概念。实际上我们可以将规则理解为一个过滤器(Filter)，过滤掉不符合要求的chunk。MMSeg分词算法中涉及了4个规则：

• 规则1：取最大匹配的chunk (Rule 1: Maximum matching) 
• 规则2：取平均词长最大的chunk (Rule 2: Largest average word length) 
• 规则3：取词长标准差最小的chunk (Rule 3: Smallest variance of word lengths) 
• 规则4：取单字词自由语素度之和最大的chunk (Rule 4: Largest sum of degree of morphemic freedom of one-character words) 

这4个规则符合汉语成词的基本习惯。

再来理解一下匹配方式复杂最大匹配(Complex maximum matching)：

复杂最大匹配先使用规则1来过滤chunks，如果过滤后的结果多于或等于2，则使用规则2继续过滤，否则终止过滤过程。如果使用规则2得到的过滤结果多于或等于2，则使用规则3继续过滤，否则终止过滤过程。如果使用规则3得到的过滤结果多于或等于2，则使用规则4继续过滤，否则终止过滤过程。如果使用规则 4得到的过滤结果多于或等于2，则抛出一个表示歧义的异常，否则终止过滤过程。

最后通过一个例句--“研究生命起源"来简述一下复杂最大匹配的分词过程。MMSeg分词算法会得到7个chunk，分别为：

编号	chunk	长度
0	研_究_生	3
1	研_究_生命	4
2	研究_生_命	4
3	研究_生命_起	5
4	研究_生命_起源	6
5	研究生_命_起	5
6	研究生_命_起源	6

使用规则1过滤后得到2个chunk，如下：

编号	chunk	长度
4	研究_生命_起源	6
6	研究生_命_起源	6

计算平均长度后为：

编号	chunk	长度	平均长度
4	研究_生命_起源	6	2
6	研究生_命_起源	6	2

使用规则2过滤后得到2个chunk，如下：

编号	chunk	长度	平均长度
4	研究_生命_起源	6	2
6	研究生_命_起源	6	2

计算标准差的平方后为：

编号	chunk	长度	平均长度	标准差的平方
4	研究_生命_起源	6	2	0
6	研究生_命_起源	6	2	4/9

使用规则3过滤后得到1个chunk，如下：

编号	chunk	长度	平均长度	标准差的平方
4	研究_生命_起源	6	2	0

匹配过程终止。最终取“研究”成词，以相同的方法继续处理“生命起源”。

分词效果:

研究_生命_起源_
研究生_教育_ 

 

词汇长度：

默认为5个UTF-8汉字，如果需要修改，可以如下操作：
1. 打开：mmseg源代码/css/segmenter.cpp
2. 修改：#define MAX_TOKEN_LENGTH 15 //3*5
3. 重新编译mmseg和coreseek

coreseek 中文分词核心配置：

请参考：中文分词核心配置

mmseg.ini配置：（请将其放置到词典文件uni.lib所在的目录，并在文件结尾空两行）

[mmseg] 
merge_number_and_ascii=0
number_and_ascii_joint=
compress_space=1
seperate_number_ascii=0
 
 

配置说明：【因为Sphinx-0.9.9发生变化，导致mmseg.ini的字母和数字切分规则部分无法正常应用，故暂停使用；下一版本将彻底解决该问题】
merge_number_and_ascii : ;合并英文和数字 abc123/x；如果0，则abc123切分为abc、123；如果1，则abc123为一个整体；【暂停使用】
number_and_ascii_joint : 定义可以连接英文和数字的字符；该字符将把英文和数字作为一个整体处理；如果设置为-，则abc-123将被切分为abc123；【继续有效】
compress_space : 预留暂不支持
seperate_number_ascii : 将数字打散；如果0，则123为一个整体；如果1，则123切分为1、2、3；【暂停使用】

mmseg 同义词/复合分词处理：

mmseg 3.2.13版本开始，提供了类似复合分词的处理方式，供coreseek进行调用。
其基本使用状况为：
词库包含：
　　　　南京西路、南京、西路
索引时：
　　　　文本中的“南京西路”会被同时索引为以上三者
查询时：
　　　　输入南京西路，可以直接匹配南京西路，而不匹配南京或者西路；
　　　　输入南京或者西路，也可以搜索到南京西路

用法：
1. 处理unigram.txt生成同义词库文件
    mmseg-3.2.13源代码/script/build_thesaurus.py unigram.txt > thesaurus.txt
    thesaurus.txt文件的格式如下：
南京西路
-南京,西路,
张三丰
-太极宗师,武当祖师,
2. 生成同义词词典    mmseg -t thesaurus.txt3. 将thesaurus.lib放到uni.lib同一目录4. coreseek索引和搜索时，会自动进行复合分词处理。如果使用默认的词库，没有做过自定义，则可以直接下载thesaurus.lib，放到uni.lib所在目录！

使用中如果出现问题，可以查看 常见问题解答 。 

参考文档：

http://technology.chtsai.org/mmseg/

http://blog.chenlb.com/category/mmseg4j

http://www.coreseek.cn/opensource/mmseg/