SharpICTCLAS分词系统简介(1)读取词典库 - 自然语言处理

ICTCLAS分词的总体流程包括：1）初步分词；2）词性标注；3）人名、地名识别；4）重新分词；5）重新词性标注这五步。就第一步分词而言，又细分成：1）原子切分；2）找出原子之间所有可能的组词方案；3）N-最短路径中文词语粗分三步。

在所有内容中，词典库的读取是最基本的功能。ICTCLAS中词典存放在Data目录中，常用的词典包括coreDict.dct（词典库）、BigramDict.dct（词与词间的关联库）、nr.dct（人名库）、ns.dct（地名库）、tr.dct（翻译人名库），它们的文件格式是完全相同的，都使用CDictionary类进行解析。如果想深入了解ICTCLAS词典结构，可以参考sinboy的《ICTCLAS分词系统研究（二）--词典结构》一文，详细介绍了词典结构。我这里只给出SharpICTCLAS中的实现。

首先是对基本元素的定义。在SharpICTCLAS中，对原有命名进行了部分调整，使得更具有实际意义并适合C#的习惯。代码如下：

WordDictionaryElement.cs 程序

using System; 
using System.Collections.Generic; 
using System.Text; 

namespace SharpICTCLAS 
{ 
   //================================================== 
   // Original predefined in DynamicArray.h file 
   //================================================== 
   public class ArrayChainItem 
   { 
      public int col, row;//row and column 
      public double value;//The value of the array 
      public int nPOS; 
      public int nWordLen; 
      public string sWord; 
      //The possible POS of the word related to the segmentation graph 
      public ArrayChainItem next; 
   } 

   public class WordResult 
   { 
      //The word  
      public string sWord; 

      //the POS of the word 
      public int nPOS; 

      //The -log(frequency/MAX) 
      public double dValue; 
   } 

   //-------------------------------------------------- 
   // data structure for word item 
   //-------------------------------------------------- 
   public class WordItem 
   { 
      public int nWordLen; 

      //The word  
      public string sWord; 

      //the process or information handle of the word 
      public int nPOS; 

      //The count which it appear 
      public int nFrequency; 
   } 

   //-------------------------------------------------- 
   //data structure for dictionary index table item 
   //-------------------------------------------------- 
   public class IndexTableItem 
   { 
      //The count number of words which initial letter is sInit 
      public int nCount; 

      //The  head of word items 
      public WordItem[] WordItems; 
   } 

   //-------------------------------------------------- 
   //data structure for word item chain 
   //-------------------------------------------------- 
   public class WordChain 
   { 
      public WordItem data; 
      public WordChain next; 
   } 

   //-------------------------------------------------- 
   //data structure for dictionary index table item 
   //-------------------------------------------------- 
   public class ModifyTableItem 
   { 
      //The count number of words which initial letter is sInit 
      public int nCount; 

      //The number of deleted items in the index table 
      public int nDelete; 

      //The head of word items 
      public WordChain pWordItemHead; 
   }  
}

其中ModifyTableItem用于组成ModifyTable，但在实际分词时，词库往往处于“只读”状态，因此用于修改词库的ModifyTable实际上起的作用并不大。因此在后面我将ModifyTable的代码暂时省略。

有了基本元素的定义后，就该定义“词典”类了。原有C++代码中所有类名均以大写的“C”打头，词典类名为CDictionary，在SharpICTCLAS中，我去掉了开头的“C”，并且为了防止和系统的Dictionary类重名，特起名为“WordDictionary”类。该类主要负责完成词典库的读、写以及检索操作。让我们看看如何读取词典库：

词典库的读取：

public class WordDictionary 
{ 
   public bool bReleased = true; 

   public IndexTableItem[] indexTable; 
   public ModifyTableItem[] modifyTable; 

   public bool Load(string sFilename) 
   { 
      return Load(sFilename, false); 
   } 

   public bool Load(string sFilename, bool bReset) 
   { 
      int frequency, wordLength, pos;   //频率、词长、读取词性 
      bool isSuccess = true; 
      FileStream fileStream = null; 
      BinaryReader binReader = null; 

      try 
      { 
         fileStream = new FileStream(sFilename, FileMode.Open, FileAccess.Read); 
         if (fileStream == null) 
            return false; 

         binReader = new BinaryReader(fileStream, Encoding.GetEncoding("gb2312")); 

         indexTable = new IndexTableItem[Predefine.CC_NUM]; 

         bReleased = false; 
         for (int i = 0; i < Predefine.CC_NUM; i++) 
         { 
            //读取以该汉字打头的词有多少个 
            indexTable[i] = new IndexTableItem(); 
            indexTable[i].nCount = binReader.ReadInt32(); 

            if (indexTable[i].nCount <= 0) 
               continue; 

            indexTable[i].WordItems = new WordItem[indexTable[i].nCount]; 

            for (int j = 0; j < indexTable[i].nCount; j++) 
            { 
               indexTable[i].WordItems[j] = new WordItem(); 

               frequency = binReader.ReadInt32();   //读取频率 
               wordLength = binReader.ReadInt32();  //读取词长 
               pos = binReader.ReadInt32();      //读取词性 

               if (wordLength > 0) 
                  indexTable[i].WordItems[j].sWord = Utility.ByteArray2String(binReader.ReadBytes(wordLength)); 
               else 
                  indexTable[i].WordItems[j].sWord = ""; 

               //Reset the frequency 
               if (bReset) 
                  indexTable[i].WordItems[j].nFrequency = 0; 
               else 
                  indexTable[i].WordItems[j].nFrequency = frequency; 

               indexTable[i].WordItems[j].nWordLen = wordLength; 
               indexTable[i].WordItems[j].nPOS = pos; 
            } 
         } 
      } 
      catch (Exception e) 
      { 
         Console.WriteLine(e.Message); 
         isSuccess = false; 
      } 
      finally 
      { 
         if (binReader != null) 
            binReader.Close(); 

         if (fileStream != null) 
            fileStream.Close(); 
      } 
      return isSuccess; 
   }    
   //...... 
}

下面内容节选自词库中CCID为2、3、4、5的单元， CCID的取值范围自1～6768，对应6768个汉字，所有与该汉字可以组成的词均记录在相应的单元内。词库中记录的词是没有首汉字的（我用带括号的字补上了），其首汉字就是该单元对应的汉字。词库中记录了词的词长、频率、词性以及词。

另外特别需要注意的是在一个单元内，词是按照CCID大小排序的！这对我们后面的分析至关重要。

ICTCLAS词库部分内容

汉字:埃, ID ：2 

  词长  频率  词性   词 
    0   128    h   (埃) 
    0     0    j   (埃) 
    2     4    n   (埃)镑 
    2    28    ns  (埃)镑 
    4     4    n   (埃)菲尔 
    2   511    ns  (埃)及 
    4     4    ns  (埃)克森 
    6     2    ns  (埃)拉特湾 
    4     4    nr  (埃)里温 
    6     2    nz  (埃)默鲁市 
    2    27    n   (埃)塞 
    8    64    ns  (埃)塞俄比亚 
   22     2    ns  (埃)塞俄比亚联邦民主共和国 
    4     3    ns  (埃)塞萨 
    4     4    ns  (埃)舍德 
    6     2    nr  (埃)斯特角 
    4     2    ns  (埃)松省 
    4     3    nr  (埃)特纳 
    6     2    nz  (埃)因霍温 
==================================== 
汉字:挨, ID ：3 

  词长  频率  词性   词 
    0    56    h   (挨) 
    2     1    j   (挨)次 
    2    19    n   (挨)打 
    2     3    ns  (挨)冻 
    2     1    n   (挨)斗 
    2     9    ns  (挨)饿 
    2     4    ns  (挨)个 
    4     2    ns  (挨)个儿 
    6    17    nr  (挨)家挨户 
    2     1    nz  (挨)近 
    2     0    n   (挨)骂 
    6     1    ns  (挨)门挨户 
    2     1    ns  (挨)批 
    2     0    ns  (挨)整 
    2    12    ns  (挨)着 
    2     0    nr  (挨)揍 
==================================== 
汉字:哎, ID ：4 

  词长  频率  词性   词 
    0    10    h   (哎) 
    2     3    j   (哎)呀 
    2     2    n   (哎)哟 
==================================== 
汉字:唉, ID ：5 

  词长  频率  词性   词 
    0     9    h   (唉) 
    6     4    j   (唉)声叹气

在这里还应当注意的是，一个词可能有多个词性，因此一个词可能在词典中出现多次，但词性不同。若想从词典中唯一定位一个词的话，必须同时指明词与词性。

另外在WordDictionary类中用到得比较多的就是词的检索，这由FindInOriginalTable方法实现。原ICTCLAS代码中该方法的实现结构比较复杂，同时考虑了多种检索需求，因此代码也相对复杂一些。在SharpICTCLAS中，我对该方法进行了重载，针对不同检索目的设计了不同的FindInOriginalTable方法，简化了程序接口和代码复杂度。其中一个FindInOriginalTable方法代码如下，实现了判断某一词性的一词是否存在功能。

FindInOriginalTable方法的一个重载版本

private bool FindInOriginalTable(int nInnerCode, string sWord, int nPOS) 
{ 
   WordItem[] pItems = indexTable[nInnerCode].WordItems; 

   int nStart = 0, nEnd = indexTable[nInnerCode].nCount - 1; 
   int nMid = (nStart + nEnd) / 2, nCmpValue; 

   //Binary search 
   while (nStart <= nEnd) 
   { 
      nCmpValue = Utility.CCStringCompare(pItems[nMid].sWord, sWord); 

      if (nCmpValue == 0 && (pItems[nMid].nPOS == nPOS || nPOS == -1)) 
         return true;//find it 
      else if (nCmpValue < 0 || (nCmpValue == 0 && pItems[nMid].nPOS < nPOS && nPOS != -1)) 
         nStart = nMid + 1; 
      else if (nCmpValue > 0 || (nCmpValue == 0 && pItems[nMid].nPOS > nPOS && nPOS != -1)) 
         nEnd = nMid - 1; 

      nMid = (nStart + nEnd) / 2; 
   } 
   return false; 
}

其它功能在这里就不再介绍了。

小结

1、WordDictionary类实现了对字典的读取、写入、更改、检索等功能。

2、词典中记录了以6768个汉字打头的词、词性、出现频率的信息，具体结构需要了解。