1. 前言
Ansj支持多种分词方式，其中ToAnalysis为店长推荐款：
它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.如果你初次尝试Ansj如果你想开箱即用.那么就用这个分词方式是不会错的.
因此，本文将主要分析ToAnalysis的分词实现。以下源码分析基于ansj-5.1.0版本。
ToAnalysis继承自抽象类org.ansj.splitWord.Analysis，重写了抽象方法getResult。其中，分词方法的依赖关系：ToAnalysis::parse -> Analysis::parseStr -> Analysis::analysisStr。analysisStr方法就干了两件事：
- 按照消歧义规则分词；
- 在此基础上，按照核心词典分词；
analysisStr方法的最后调用了抽象方法getResult，用于对分词DAG的再处理；所有的分词类均重写这个方法。为了便于理解ToAnalysis分词，我用Scala 2.11重写了：
import java.util
import org.ansj.domain.{Result, Term}
import org.ansj.recognition.arrimpl.{AsianPersonRecognition, ForeignPersonRecognition, NumRecognition, UserDefineRecognition}
import org.ansj.splitWord.Analysis
import org.ansj.util.TermUtil.InsertTermType
import org.ansj.util.{Graph, NameFix}
/**
* @author rain
*/
object ToAnalysis extends Analysis {
def parse(sentence: String): Result = {
parseStr(sentence)
}
override def getResult(graph: Graph): util.List[Term] = {
// bigram分词
graph.walkPath()
// 数字发现
if (isNumRecognition && graph.hasNum)
new NumRecognition().recognition(graph.terms)
// 人名识别
if (graph.hasPerson && isNameRecognition) {
// 亚洲人名识别
new AsianPersonRecognition().recognition(graph.terms)
// 词黏结后修正打分, 求取最优路径
graph.walkPathByScore()
NameFix.nameAmbiguity(graph.terms)
// 外国人名识别
new ForeignPersonRecognition().recognition(graph.terms)
graph.walkPathByScore()
}
// 用户自定义词典的识别
new UserDefineRecognition(InsertTermType.SKIP, forests: _*).recognition(graph.terms)
graph.rmLittlePath()
graph.walkPathByScore()
import scala.collection.JavaConversions._
val terms = graph.terms
new util.ArrayList[Term](terms.take(terms.length - 1).filter(t => t != null).toSeq)
}
}如果没看懂，没关系，且看下小节分解。
2. 分解
分词DAG
分词DAG是由类org.ansj.util.Graph实现的，主要的字段terms为org.ansj.domain.Term数组。其中，类Term为DAG的节点，字段包括：offe首字符在句子中的位置、name为词，next具有相同首字符的节点、from前驱节点、score打分。仔细看源码容易发现DAG是用邻接表（array + linked-list）方式所实现的。
Bigram模型
Bigram模型对应于一阶Markov假设，词只与其前面一个词相关，其对应的分词模型：
对应的词典为bigramdict.dic，格式如下：
始##始@和 11
和@尚 1
和@尚未 1
世纪@末##末 3
...初始状态w0对应于Bigram词典中的“始##始”，wm+1对应于“末##末”。Bigram分词的实现为Graph::walkPath函数：
/**
* bigram分词
* @param relationMap 干涉性打分, key为"first_word \tab second_word", value为干涉性score值
*/
public void walkPath(Map<String, Double> relationMap) {
Term term = null;
// 给terms[0] bigram打分, 且前驱节点为root_term "始##始"
merger(root, 0, relationMap);
// 从第一个字符开始往后更新打分
for (int i = 0; i < terms.length; i++) {
term = terms[i];
while (term != null && term.from() != null && term != end) {
int to = term.toValue();
// 给terms[to] bigram打分, 更新最小非零score值对应的term为前驱
merger(term, to, relationMap);
term = term.next();
}
}
// 求解最短路径
optimalRoot();
}对条件概率P(wi|wi−1)做如下的平滑处理：
其中，a=0.1为平滑因子，N=2079997为训练语料中的总词数，λ=1N。上述平滑处理实现函数为MathUtil.compuScore。
求解式子(1)的最优解等价于求解分词DAG的最短路径。Ansj采用了类似于Dijkstra的动态规划算法（作者称之为Viterbi算法）来求解最短路径。记G=(V,E)为分词DAG，其中边(u,v)∈E满足如下性质：
即DAG顶点的序号的顺序与图流向是一致的。这个重要的性质确保了（按Graph.terms[]的index依次递增）用动态规划求解最短路径的正确性。用di标记源节点到节点i的最短距离，则有递推式：
其中，b(j,i)为两个相邻词的条件概率的负log值-logP(wi|wj)。上述实现请参照源码Graph::walkPath与Graph::optimalRoot。
自定义词典
Ansj支持自定义词典分词，是通过词黏结的方式——如果相邻的词黏结后正好为自定义词典中的词，则可以被分词——实现的。换句话说，如果自定义的词未能完全覆盖相邻词，则不能被分词。举个例子：
import scala.collection.JavaConversions._
val sentence = "倒模，替身算什么？钟汉良、ab《孤芳不自赏》抠图来充数"
println(ToAnalysis.parse(sentence).mkString(" "))
// 倒/v 模/ng ，/w 替身/n 算/v 什么/r ？/w 钟汉良/nr 、/w ab/en 《/w 孤芳/nr 不/d 自赏/v 》/w 抠/v 图/n 来/v 充数/v
DicLibrary.insert(DicLibrary.DEFAULT, "身算")
DicLibrary.insert(DicLibrary.DEFAULT, "抠图")
println(ToAnalysis.parse(sentence).mkString(" "))
// 倒/v 模/ng ，/w 替身/n 算/v 什么/r ？/w 钟汉良/nr 、/w ab/en 《/w 孤芳/nr 不/d 自赏/v 》/w 抠图/userDefine 来/v 充数/v3. 参考资料
[1] goofyan, ansj词典加载及简要分词过程.
如需转载，请注明作者及出处.
作者：Treant
出处：http://www.cnblogs.com/en-heng/