- 1、本文档共21页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
庖丁解牛算法详细设计
庖丁解牛算法调研文档
- PAGE 20 -
文件编号:
庖丁解牛算法调研文档
修改说明
文档版本作者/修改者日期更 改更改地址更改内容1.0于文峰2012-1-4开始编写开始编写
目录 TOC \o 1-3 \u
1 引言 PAGEREF _Toc346269731 \h 2
1.1 编写目的 PAGEREF _Toc346269732 \h 2
1.2 程序框架: PAGEREF _Toc346269733 \h 2
2 Paoding分词算法 PAGEREF _Toc346269734 \h 8
2.1 算法基本思想描述 PAGEREF _Toc346269735 \h 8
2.2 庖丁系统的核心内容 PAGEREF _Toc346269736 \h 8
2.3 算法计算详细步骤 PAGEREF _Toc346269737 \h 9
2.3.1 庖丁分词策略 PAGEREF _Toc346269738 \h 9
2.3.2 max-word-length PAGEREF _Toc346269739 \h 10
2.3.3 most-words PAGEREF _Toc346269740 \h 12
2.4 词典 PAGEREF _Toc346269741 \h 15
2.4.1 词典类型 PAGEREF _Toc346269742 \h 15
2.4.2 词典加载流程 PAGEREF _Toc346269743 \h 15
2.4.3 词典文件格式 PAGEREF _Toc346269744 \h 16
2.4.4 读取词典文件 PAGEREF _Toc346269745 \h 16
2.4.5 词典编译 PAGEREF _Toc346269746 \h 17
2.4.6 编译词典时间测试 PAGEREF _Toc346269747 \h 17
2.4.7 词典变更侦测 PAGEREF _Toc346269748 \h 18
3 举例说明 PAGEREF _Toc346269749 \h 18
4 参考资料 PAGEREF _Toc346269750 \h 21
引言
庖丁系统是个完全基于lucene的 HYPERLINK /view/19109.htm \t _blank 中文分词系统,它就是重新建了一个analyzer,叫做PaodingAnalyzer,这个analyer的核心任务就是生成一个可以切词TokenStream。
编写目的
本文档详细阐述了庖丁分词算法的基本思想,该文档可供研究庖丁分词算法设计人员分析阅读。
程序框架
Knife包
beef类实现了charSequence
变量:
char[] value:文本字符数组
offset:字符的起始位置,字符开始位置,即charAt(i)返回value[offset+i]字符
count:从offset位置开始的字符数
hash:beef的hash code
函数:
beef(char[] value,int offset,int count):初始化字符数组、起始位置、从起始位置开始字符数
set(int offset,intcount)设置offset,count
getvalue()
getCount()
getOffset()
charAt(int index):覆盖了chaAt(int)方法,获取指定位置offset+index的字符,返回之前进行了预处理:1)统一大小写格式;2)全角转半角
length(): return count
subsequence(int start,int end):return from offset+start with length of end-start
hashCode():根据value中字符值迭代计算返回一个int,作为value[]的key
CharSet类
判断字符是阿拉伯数字或者CJK或者拉丁字母
toNumber(char):统一数字格式,0,零,0,统一为0
CJKKnife类实现了Knife,DictionariesWare
是处理汉字的刀,定义了
变量:
Dictionary vocabulary 主字典
Dictionary noiseWords 不常见的词
Dictiona
您可能关注的文档
- PHC管桩承载力计算问题的探讨_pdf.pdf
- PF22_VA 电路图.pdf
- PhotoShop制作 星空立体光束特效文字.doc
- PhotoShop制作常用金属质感文字.doc
- ROS5.17_ADSL双线PCC及NTH负载均衡图文教程.doc
- windows2003安全配置1.doc
- web程序设计课件4.ppt
- proe9种折面技巧.doc
- Sarma 法.doc
- QTcreat简单应用.doc
- 四川省德阳市罗江中学2025届高三考前热身化学试卷含解析.doc
- 山东省枣庄现代实验学校2025届高三下学期第五次调研考试化学试题含解析.doc
- 吉林省长春市十一高中等九校教育联盟2025届高三一诊考试生物试卷含解析.doc
- 2025届江苏省盐城市伍佑中学高考仿真模拟化学试卷含解析.doc
- 2025届广西贺州中学高考冲刺押题(最后一卷)生物试卷含解析.doc
- 安徽省池州市贵池区2025届高三第一次模拟考试生物试卷含解析.doc
- 宁夏银川一中2025届高三(最后冲刺)化学试卷含解析.doc
- 广东省广州市增城区四校联考2025届高考压轴卷化学试卷含解析.doc
- 2025届邯郸市第一中学高考生物必刷试卷含解析.doc
- 2025届安徽省安庆市石化第一中学高考仿真卷化学试卷含解析.doc
文档评论(0)