使用NLPIR-ICTCLAS2014分词系统

每天看一遍，防止恋爱&&堕落

34112人浏览 · 2014-08-04 14:08:43

每天看一遍，防止恋爱&&堕落 · 2014-08-04 14:08:43 发布

0、使用NLPIR-ICTCLAS2014分词系统之前的准备

下载NLPIR-ICTCLAS2014的下载包，快速传送门：

http://ictclas.nlpir.org/upload/20140618094605_ICTCLAS2014.zip

需要有自己的词库(其实没有都没问题，词库只是我自己需要用到的，某个方面的词汇，来帮助进行页面分析的)

1、快速从NLPIR-ICTCLAS2014的下载包中获得我们需要的东西

首先来看一下整个文件夹的结构

Data文件夹中，含有分词需要用到的字典，Configure.xml里面有相关的描述信息；doc里面是使用帮助(介绍了基本需要使用到的函数接口)；include、lib自然是我们主要用到的；sample是示例代码；test里面有一个exe示例；授权自然是License，应该是通过某种形式来限制我们的使用的，目前暂时还不清楚，如果到时候被限制，还需要进行调试。

2、从下载包中抽出我们需要的，并新建一个例子

从上面来看，我们需要用到的主要有三个文件夹Data、include、lib(我是打算做的32位程序，所以只需要用里面的

lib\win32下的dll和lib)

这时，工程目录就变成这样的(当然NLPIR.dll需要和exe放在一块)：

第一个例子，比较简单，就简单使用几个常用的函数：

// test_nlpir.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"

#include "iostream"
#include "string"

using namespace std;

#include "NLPIR.h"
#pragma comment(lib, "NLPIR.lib")


int _tmain(int argc, _TCHAR* argv[])
{
	if(!NLPIR_Init()) 
	{
		printf("Init fails\n");
		return -1;
	}

	const char *participle_result;

	const char *sentence = "[整租出租]宣武门西大街4号楼二居整租[整套出租]媒体村天居园大两居[整套出租]媒体村天居园大两居";

	cout << "===============NLPIR_ParagraphProcess==================" << endl;
	participle_result = NLPIR_ParagraphProcess(sentence,1);
	cout << participle_result << endl;
	cout << "=================================" << endl;


	cout << "==============NLPIR_GetFileNewWords===================" << endl;
	const char * get_file_new_words = NLPIR_GetFileNewWords("test.txt");
	cout << get_file_new_words << endl;
	cout << "=================================" << endl;


	cout << "===============NLPIR_GetKeyWords==================" << endl;
	const char * get_key_words = NLPIR_GetKeyWords(sentence);
	cout <<  get_key_words << endl;
	cout << "=================================" << endl;


	cout << "===============NLPIR_GetFileKeyWords==================" << endl;
	const char * get_file_key_words = NLPIR_GetFileKeyWords("test.txt");
	cout << get_file_key_words << endl;
	cout << "=================================" << endl;


	cout << "===============NLPIR_GetNewWords==================" << endl;
	const char * get_new_words = NLPIR_GetNewWords(sentence);
	cout << get_new_words << endl;
	cout << "=================================" << endl;


	NLPIR_Exit();

	return 0;
}

函数可以按照字面上的意思来理解

这是输出的结果：

但明显是看到，上面的分词有些小问题，如果我们在给聚类算法喂数据的时候，这样的分词，会出现一定的问题

3、解决上面的问题

我们有两种方法来处理这个问题

a、这也许是最简单、也最方便的方法

当然，他除了一些繁琐之外(如果你有了一些需要的数据词条、词典就我所谓了)，我们可以新建一个词典文件(比如我这个测试用例中使用user_dic.txt，他里面包含我们需要具体分开的词组)：

那么来看下面是如何具体使用字典的：

// test_nlpir.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"

#include "iostream"
#include "string"

using namespace std;

#include "NLPIR.h"
#pragma comment(lib, "NLPIR.lib")


int _tmain(int argc, _TCHAR* argv[])
{
	if(!NLPIR_Init()) 
	{
		printf("Init fails\n");
		return -1;
	}

	const char *participle_result;

	unsigned int add_dic_items = NLPIR_ImportUserDict("user_dic.txt");//Import user dictionary
	printf("%d user-defined lexical entries added!\n", add_dic_items);

	const char *sentence = "[整租出租]宣武门西大街4号楼二居整租[整套出租]媒体村天居园大两居[整套出租]媒体村天居园大两居";

	cout << "===============NLPIR_ParagraphProcess==================" << endl;
	participle_result = NLPIR_ParagraphProcess(sentence,1);
	cout << participle_result << endl;
	cout << "=================================" << endl;


	cout << "==============NLPIR_GetFileNewWords===================" << endl;
	const char * get_file_new_words = NLPIR_GetFileNewWords("test.txt");
	cout << get_file_new_words << endl;
	cout << "=================================" << endl;


	cout << "===============NLPIR_GetKeyWords==================" << endl;
	const char * get_key_words = NLPIR_GetKeyWords(sentence);
	cout <<  get_key_words << endl;
	cout << "=================================" << endl;


	cout << "===============NLPIR_GetFileKeyWords==================" << endl;
	const char * get_file_key_words = NLPIR_GetFileKeyWords("test.txt");
	cout << get_file_key_words << endl;
	cout << "=================================" << endl;


	cout << "===============NLPIR_GetNewWords==================" << endl;
	const char * get_new_words = NLPIR_GetNewWords(sentence);
	cout << get_new_words << endl;
	cout << "=================================" << endl;


	NLPIR_Exit();

	return 0;
}

这是使用字典之后的分词结果：

可以看到，我们想要切分的词组都已经出来了，也不再有任何新词出现了

b、通过多个样本(也就是多条数据)来进行分词，这样我们需要用到的词的频率便会增长(有的词只出现1、2次并不会被识别出来)，这样在GetNewWords中，便能够得到一些我们想法的数据，得到这些数据之后，可以写到文本中，然后再写到用户字典中

这里只演示第一步，看看是如何通过增加多条数据来扩大GetNewWords的结果的。

其实很简单，只需要把第一个例子中的测试字符串修改成如下(同样的test.txt对应的字符串也跟着修改)：

	const char *sentence = "[整租出租]宣武门西大街4号楼二居整租\
						   [整套出租]媒体村天居园大两居\
						   【房主出租】万柳中路康桥水郡一居室\
						   【个人出租】 上地桥东清上园小区开间58平\
						   3个月转租 【中关村保福寺桥南】 两居中的主卧\
						   【整套长期出租】海淀安宁佳园安宁庄一居整租（房东直租）\
						   [单间出租]造甲街南里20号院二居大间\
						   [个人诚心出租]世纪金源附近，远大园四区11号楼三居次卧\
						   【房主1居直租】6号线地铁十里堡站炫特嘉园1居（限1人女）\
						   [单间出租]10号线西土城牡丹园北影黄亭子小区二居之一\
						   [整套出租]西二旗智学苑三居整套\
						   [房主整套出租]清河地铁8号线西小口站精装三居整套\
						   [单间出租]清华校内单间 \
						   [北京大学西南门海淀桥南大河庄苑精装修一居室整套出租出租]苏\
						   [求助]求租上地东里/西里/佳园/农大南路2号院 干净舒适带电梯两\
						   [求助]转租 西单/金融街/二龙路两居室\
						   [整套出租]财经大学附近皂君庙一居整套\
						   北沙滩科学院南里50米一居简装3400元转租，需要的站内索取转租\
						   招合租 中关村知春里海淀黄庄地铁站 人大附中对面 正规三居\
						   【个人出租】回龙观地铁附近两居中的主卧和次卧，也可以整租\
						   个人出租\
						   [整套出租]朝阳区南沙滩小区一居整套\
						   （个人转租）新龙城二期14平米正规次卧 1000元\
						   个人出租：温泉镇尚峰尚水小区精装半地下二居\
						   【昌平沙河高教园一区小两居】【2450家电全齐全新】\
						   个人求租,石景山八角附近二居室\
						   个人出租保利西山林语90平二居室\
						   2014-7-30存量房网上签约\
						   明天决定先涨10%的房租，为房产税做准备，得未雨绸缪啊\
						   今晚新闻调查，心全凉了：转基因米实际已经扩散(12)\
						   全款求购万年花城两居室(19)\
						   问一个初级问题：校友卡大家都什么额度？我5k(15)\
						   再问一个小白问题(8)\
						   网友评怕老婆城市排行榜：成都第二上海居首(14)\
						   清华大学东 八家嘉苑 61平米 全南向正规一居 看图 240万(1)\
						   110平米新房求靠谱装修团队、设计、报价\
						   五道口学区房 满五年唯一两居 急售260万\
						   父母随迁落户 能否申请政策房\
						   房子南面离马路60米，西面紧挨着小学和中学，19层，会吵吗\
						   学区房在涨吗\
						   好几个中介打电话说房价要开始上涨了\
						   【整套出租】6号线黄渠站苹果派小区77平2居\
						   个人出租]海淀区五道口华联南暂安处 朝北主卧合租 无中介费近地\
						   【房屋整租】芍药居北里2居室房主首次出租\
						   [出租] 中关村北大西门单间\
						   [求助]求租 上地 当代城市家园或怡美家园两居或者三居 一家人住\
						   [整套出租]五道口东升园一室一厅南北通透全明实木家具地板家电";

这些数据，也是通过web页面得到的

现在来看看结果：