中文分词实践（基于R语言）

背景：分析用户在世界杯期间讨论最多的话题。

思路：把用户关于世界杯的帖子拉下来。然后做中文分词+词频统计，最后将统计结果简单做个标签云。效果例如以下：

兴许：中文分词是中文信息处理的基础。分词之后。事实上还有特别多有趣的文本挖掘工作能够做。也是个知识发现的过程，以后有机会再学习下。

==================================================

* 中文分词经常使用实现：

单机：R语言+Rwordseg分词包 (建议数据量<1G)

分布式：Hadoop+Smallseg库

词库：Sougou词库，Sougou输入法官网可下载

这里仅仅先介绍单机的实现：

1、R语言：专门用于统计分析、画图的语言

2、Rwordseg分词包：引用了@ansj开发的ansj中文分词工具，基于中科院的ictclas中文分词算法，不管是精确度还是执行效率都超过了rmmseg4j。

* 环境准备 (Windows或Linux版本号都行)：

R下载：http://mirrors.ustc.edu.cn/CRAN/

Rwordseg包下载：https://r-forge.r-project.org/R/?group_id=1054

rJava包下载：http://cran.r-project.org/web/packages/rJava/index.html

Rwordseg和rJava这些包解压后放到\R\R-3.1.0\library就可以

* R语言实现代码

1. # 载入rJava、Rwordseg库
2. library(rJava);
3. library(Rwordseg);
4. # == 读入数据
5. lecture=read.csv("E:\\worldcup_test.txt",sep=",",header=TRUE,fileEncoding="UTF-8");
6. # 查看前几行，看是否有字符编码问题
7. head(lecture);
8. # 获取数据集长度
9. n=length(lecture[,1]);
10. print(n)
11. # == 文本预处理
12. res=lecture[lecture!=" "];
13. #剔除URL
14. res=gsub(pattern="http:[a-zA-Z\\/\\.0-9]+","",res);
15. #剔除特殊词
16. res=gsub(pattern="[我|你|的|了|是]","",res);
17. # == 分词+频数统计
18. words=unlist(lapply(X=res, FUN=segmentCN));
19. word=lapply(X=words, FUN=strsplit, " ");
20. v=table(unlist(word));
21. # 降序排序
22. v=rev(sort(v));
23. d=data.frame(word=names(v), freq=v);
24. # 过滤掉1个字和词频小于100的记录
25. d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100)
26. # == 输出结果
27. write.csv(d, file="E:\\worldcup_keyword.txt", row.names=FALSE)

将文本信息存放在E:\\worldcup_test.txt中，执行后E:\\worldcup_keyword.txt就是保存了统计完的结果了，截图例如以下：word列是词、freq列是词频

* 常见问题：一些词没被识别 => 手动加入词库

仅仅使用默认词库的分词效果不是非常好。最主要问题就是一些球星名字没有被识别出来，例如以下图：

这样的情况须要手动加入一些词库进来。一般使用Sougou词库，在Sougou输入法的工具箱里，有细胞词库一栏。点击后就可以在其官网下载须要的词库。

除了使用网上的词库，也能够自己手动加入一些词进去。每一个词一行写到.txt文件上，调用installDict()加入就可以

1. # == 加入新词库(跑一遍就可以)
2. installDict("D:\\Program Files\\R\\R-3.1.0\\libword\\myword.txt", dictname="myword")
3. installDict("D:\\Program Files\\R\\R-3.1.0\\libword\\foodball.scel", dictname="foodball")
4. # 显示当前手动加入的词库
5. listDict()

手工加入完词库后，分词效果明显就上来了：

* 常见问题：文本存在乱码和特殊字符 => 脚本过滤

因为帖子属于UGC内容，一些乱码和特殊字符会影响R语言处理文本。比方read.cvs()读入文件读到乱码就返回了，没能读入所有文本。

这里没有深入去看R语言的字符处理方式，而是选择绕开这个问题，统一将utf8文本转成unicode，写了段Python依据中文的编码范围来过滤掉乱码（替换为" "）：

* 常见问题：文本数据量过大 => 切分文件分批次计算、或使用Hadoop+Smallseg库

==================================================

* 中文分词基础

1、分词算法：

    a、基于规则（即字符串匹配，词库组织成字典树）

        - 正向最大匹配：从左到右。"不知道|你|在|说什么"

        - 反向最大匹配：从右到左，"不|知道|你在|说|什么"

        - 最短路径：切出来的词最少，"不知道|你在|说什么"（效果较好）

    b、基于词义（还不成熟）

    c、基于统计（概率论）

2、语料库（词库）：来源于大量真实文本的加工和训练

* 中科院ictclas中文分词系统

中科院的ictclas应该是国内做得最好的中文分词系统了，样例使用的Rwordseg分词包就是基于ictclas算法实现。详细算法思路可在其官网贴出的相关论文学习到：（http://www.ictclas.org/）