您好,登錄后才能下訂單哦!
作者:Tony Qu
前言:在數(shù)據(jù)挖掘領(lǐng)域,.NET基本上是空白,除了分詞程序外,啥都沒有,大量的招聘顯示數(shù)據(jù)挖掘目前是Java, C++和Python的天下。作為微軟陣營的一份子,我始終認(rèn)為我們不該坐以待斃,與其坐著被人看笑話,還不如勇敢的站出來,創(chuàng)造一個(gè)嶄新的.NET未來。(話說昨天的吐槽貼不知道大家玩的盡興不盡興,不是有人讓我給點(diǎn)實(shí)戰(zhàn)的玩意來證明.NET的牛X嘛,沒問題啊,我如約而至。)
Trie Tree(字典樹)對很多人顯得有些陌生,用一句話來概括,它可以有效加速字符串匹配速度,并且應(yīng)用極其廣泛,如分詞、搜索、臟字過濾等。曾經(jīng)寫過一篇介紹TrieTree的文章,不熟悉的同學(xué)可以看一下《Trie Tree介紹及其C#實(shí)現(xiàn)》。
TrieTree之所以快速,和它樹形存儲結(jié)構(gòu)很有關(guān)系,由于所有的查找都是走結(jié)點(diǎn)的,所以速度會比普通字符串匹配快很多,傳統(tǒng)匹配的問題在于即使匹配不成功,每次還是要去匹配前面這些字符,而且要與每一個(gè)字典項(xiàng)去匹配。
舉個(gè)簡單的例子,假設(shè)字典里面有兩句整句,如“這里是我們的地盤”,“這里是你們的”,假設(shè)我現(xiàn)在要匹配
“這里是他們的”,傳統(tǒng)存儲會把字典保存在List<string>中,但這就意味著,“這里是”三個(gè)字每次都要匹配一遍,即使最終結(jié)果是沒找到“這里是他們的”。但如果是TrieTree結(jié)構(gòu),我們只需要匹配一次“這里是”就能知道存不存在,隨著字典中詞數(shù)的增加,這種性能提升愈加明顯。
這么好的東西怎么能沒有一個(gè)通用的框架,于是我便考慮設(shè)計(jì)了TrieTree Service。TrieTree Service是一個(gè)基于Windows Service的服務(wù),采用socket與客戶端進(jìn)行通訊,通訊部分使用了江大魚的SuperSocket。(這玩意確實(shí)好用,上手也很快,我大概用了2天就把通訊部分全搞定了。)之所以采用Windows Service,主要考慮了分布式部署、以及內(nèi)存空間的需求。由于TrieTree Service采用內(nèi)存作為緩存空間,所以對內(nèi)存是有很大需求的,如果與其他應(yīng)用共享空間,在32位系統(tǒng)上估計(jì)很快就3GB了,根本沒法用,但做成Windows Service以后,3GB至少是獨(dú)享的。而且理論上我可以部署n個(gè)service,加載不同的字典,比如Service 1我加載盤古分詞詞典、Service 2我加載MongoDB的字典,以此類推,客戶端會根據(jù)需要去訪問不同的Service,從而獲得足夠的數(shù)據(jù)支持。
Trie Tree服務(wù)還有一個(gè)很明顯的優(yōu)勢那就是字典資源的整合,以往如果我們要調(diào)用第三方字典庫或者擴(kuò)展字典庫,可能必須重新寫一個(gè)類來實(shí)現(xiàn)讀,然后調(diào)用不同的接口來加載不同的字典庫,現(xiàn)在有了Trie Tree服務(wù),你就可以做到把幾個(gè)庫合并在一起,比如盤古分詞的庫可以和細(xì)胞詞庫混用,如果詞重復(fù),Trie Tree服務(wù)不會重復(fù)添加,而是在現(xiàn)有結(jié)點(diǎn)上把頻率相加。例如,我本地的TrieTree服務(wù)就把盤古分詞、IKAnalyzer詞典、還有我自己的多個(gè)MongoDB的字典庫一起加載起來運(yùn)行,那效果絕對是只可意會不可言傳啊,哈哈。我看了下,內(nèi)存占用也不高,只有400M左右。
Trie Tree服務(wù)支持POS (Part of Speech)枚舉,說通俗點(diǎn)就是某個(gè)詞的詞性,如名詞、動詞、代詞等。目前的POSType采用了盤古分詞的類型,以后會考慮擴(kuò)充,目前足夠了。(話說清華和北大都有一套自己的POS分類,比盤古要詳細(xì),以后會考慮支持這兩個(gè)標(biāo)準(zhǔn),因?yàn)镻OS的細(xì)粒度決定了最終的分詞結(jié)果。)
[Flags] public enum POSType : int { /// <summary> /// 形容詞 形語素 /// </summary> D_A = 0x40000000, /// <summary> /// 區(qū)別詞 區(qū)別語素 /// </summary> D_B = 0x20000000, /// <summary> /// 連詞 連語素 /// </summary> D_C = 0x10000000, /// <summary> /// 副詞 副語素 /// </summary> D_D = 0x08000000, /// <summary> /// 嘆詞 嘆語素 /// </summary> D_E = 0x04000000, /// <summary> /// 方位詞 方位語素 /// </summary> D_F = 0x02000000, /// <summary> /// 成語 /// </summary> D_I = 0x01000000, /// <summary> /// 習(xí)語 /// </summary> D_L = 0x00800000, /// <summary> /// 數(shù)詞 數(shù)語素 /// </summary> A_M = 0x00400000, /// <summary> /// 數(shù)量詞 /// </summary> D_MQ = 0x00200000, /// <summary> /// 名詞 名語素 /// </summary> D_N = 0x00100000, /// <summary> /// 擬聲詞 /// </summary> D_O = 0x00080000, /// <summary> /// 介詞 /// </summary> D_P = 0x00040000, /// <summary> /// 量詞 量語素 /// </summary> A_Q = 0x00020000, /// <summary> /// 代詞 代語素 /// </summary> D_R = 0x00010000, /// <summary> /// 處所詞 /// </summary> D_S = 0x00008000, /// <summary> /// 時(shí)間詞 /// </summary> D_T = 0x00004000, /// <summary> /// 助詞 助語素 /// </summary> D_U = 0x00002000, /// <summary> /// 動詞 動語素 /// </summary> D_V = 0x00001000, /// <summary> /// 標(biāo)點(diǎn)符號 /// </summary> D_W = 0x00000800, /// <summary> /// 非語素字 /// </summary> D_X = 0x00000400, /// <summary> /// 語氣詞 語氣語素 /// </summary> D_Y = 0x00000200, /// <summary> /// 狀態(tài)詞 /// </summary> D_Z = 0x00000100, /// <summary> /// 人名 /// </summary> A_NR = 0x00000080, /// <summary> /// 地名 /// </summary> A_NS = 0x00000040, /// <summary> /// 機(jī)構(gòu)團(tuán)體 /// </summary> A_NT = 0x00000020, /// <summary> /// 外文字符 /// </summary> A_NX = 0x00000010, /// <summary> /// 其他專名 /// </summary> [Description("其他專名")] A_NZ = 0x00000008, /// <summary> /// 前接成分 /// </summary> D_H = 0x00000004, /// <summary> /// 后接成分 /// </summary> D_K = 0x00000002, /// <summary> /// 未知詞性 /// </summary> UNKNOWN = 0x00000000, }
同時(shí)TrieTree還支持POS并集查詢,如D_N|D_V,表示查詞性是名詞或者動詞的詞。、
目前TrieTree支持三種匹配命令,它們是MMFetch(Maximum Match,正向最大匹配)、 RMMFetch(Reverse Maximum Match, 反向最大匹配)、 ExactMatch(全字匹配)。
例如你要使用MMFetch命令搜索“我們”,直接通過socket向TrieTree Service發(fā)送“MMFetch 我們”即可。如果你想搜索詞性,可以發(fā)送“MMFetch 我們<SOH>512”,這表示搜索詞性為語氣詞D_Y(0x200=512)的“我們”,其中<SOH>是一個(gè)自定義字符0x01,用作分隔符。其他兩個(gè)命令的用法類似。
由于定義了IDataProvider接口,你可以根據(jù)需要定制自己的DataProvider。目前TrieTree Service自帶了PanguDictProvider, TxtDictProvider, IKAnaylzerDictProvider。以下是IDataProvider的定義
public interface IDataNode { /// <summary> /// word text /// </summary> string Word { get; set; } /// <summary> /// Part of Speech Tag Value /// </summary> POSType POS { get; set; } /// <summary> /// frequency of the word /// </summary> double Frequency { get; set; } } public interface IDataProvider { List<IDataNode> Load(); }
這里的IDataNode代表導(dǎo)入的一條條詞條,當(dāng)然你必須先實(shí)現(xiàn)這個(gè)接口。其中的POS是之前提到的詞性,F(xiàn)requency是頻率,Word是詞本身。對于沒有詞性和沒有頻率的導(dǎo)入項(xiàng),直接忽略這兩項(xiàng)就行了。
在BluePrint.Dictionary命名空間下面定義了一個(gè)客戶端封裝類DictionaryServiceClient,提供了對命令的基本封裝,這樣你就不用直接去和SendCommand打交道了。
public TrieTreeResult ExactMatch(string word){...} public TrieTreeResult MaximumMatch(string word){...} public TrieTreeResult ReverseMaximumMatch(string word){...}
下載地址:https://github.com/tonyqus/TrieTreeService
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。