为什么要说分词呢？其实这个话题挺大的。所以准备分几篇来写，这次先写第一篇。
写给别人看，也写给自己。毕竟，自己在思特奇也做了好久了，写点有意思的东西，结交一些有兴趣的朋友。
一是确实最近的一些实践给了自己很大的启发，另一方面，所谓互联网下半场的来临，那么，如果从一个增量的系统到一个存量的系统，那么数据挖掘就显得尤为重要了。怎么挖掘？或者说，怎么让计算机去帮我们挖掘呢？
不可否认，网上的一些大数据学习的资料，是翻译过来的，因为个人水平的不同，有时候很容易把人带到沟里去。尤其在牵扯到了一些算法的解释，更是莫名其妙，让不少初学者往往觉得这门课太难了。实际上，我可以说，它非常简单。简单到你几乎可以从你的生活中去恍然大悟。
经过持续的沉淀，我觉得从分词来切入是非常合适的。(这里特别感谢billing的王金山，感谢你的帮助)
我并不是想重复造轮子，而是通过造轮子，来解释一些基本的现象，以及一些算法为什么要这么用。如果你想做的更好，不停留在被动程序员的层次，那么希望你有兴趣读一下，或许对你有帮助，当然，也希望拍砖。
最近和一个朋友聊天，聊到了机器学习，说到大数据的应用，他说，网上说的这些名词，大多数都太空泛了。真正做到实践中去的，也就是几个大公司而已，中小公司基本没有这个实力。个人看数据挖掘，除了一些工具套路，实际上你真的会大数据吗？实际上，就算在大公司，目前的数据挖掘，也往往是刚起步而已。
和我说话的这个人，是今日头条的算法专家。
确实，怎么说是刚起步呢？
其实机器学习并不那么高深，所谓的机器大脑，目前阶段说穿了就一句话，"用概率学解释当前的事件是否可以映射成为另一个事件。
那么，这句话怎么理解？无论是什么学习，80%都离不开两个算法(实际是一个，另一个是这个的扩展)，马尔科夫模型和贝叶斯算法。只要你能够沉淀一些这两个算法的知识和实践，当今大多开源机器学习，归类算法，推荐算法你都能玩的游刃有余。因为这些大部分都是以这两个为基础的变种。
什么东西都必须实践才能有沉淀，我一直秉持的这个观念。
分词和自然语言语音识别，现在取得了巨大的成就，基本上能把误差缩小到5%以内。甚至口音，方言，对于自然语言识别已经不是问题。分词而言，模糊的错误分词，对于识别也不再是难事。靠的是什么，靠的就是马科莫夫和贝叶斯。所以，我想从分词的角度，来阐释概率是如何计算出来的，以及显示和隐式到底是什么意思。
这不是什么了不得的技术，你我一样能轻松掌握，让我们从底层一步步来看看它是怎么实现的。
首先，要分词，先要有词库(废话)。
我们先不管词库是怎么来的(下几个帖子我会详细的解释，如何通过训练材料获得词库)。反正不是你一个个词敲击进去得到的。这样的方法简直是不可想象的。当然，你也可以这么做，不过你要花费很长的时间，还未必能达到你要的结果。现在，每天都会发生新的词汇，比如说"十动然拒"。你手动录入肯定是跟不上的。
一个真正的词库，实际一个txt足矣。
我的字库的组织方式是
一万条 4 m
一万次 16 m
一万步 30 m
一万盏 4 m
一万种 2 m
一万贯 4 m
一万遍 9 m
一万里 4 m
一万间 5 m
一行包含了三个元素，第一个是词本身，第二个是词在训练资料里出现的频率(词频)，最后一个是词性标注(名词，动词，形容词，介词等等)
后两个参数我们先不用管(以后我会详细解释，为什么词典里需要后面两个参数，这两个参数是用于提炼一个句子中的关键词而是用的，也就是抽象一个句子的含义，我们需要后面两个参数)，先以最简单的，只是单词为准。
我们有了词典，这里面大概有38万个中文词组。(目前以2016年6月份为准的中文词汇统计，差不多就这么多)
那么我们如何加载到内存里去效率最高呢？
或许，你会想，最简单的办法，给定一个句子，
比如:
"哪里见过你呀,朋友"
我可以for 38万次，用字符串比较看看是否每个词在这个句子里是包含的，直接用strstr()搞定。
是的，这样的办法很暴力，在服务器上，或许你还行，在一些运行效能低一些的机器上，可能就不行了。
有没有更好的办法？做到最高的判断效率？
当然有的，这就是算法的魅力了，先看看，我们怎么组织词典数据？
我们可以以树的形式记录词典，那么，怎么把38万个词变成一棵树呢？
我们知道，每个词，无论长短，它都是由一个个中文字符组成，我们把这个字作为一个个单独的关联元素。
那么我可以这样的组织数据
b比如，这几个词，"你" "你们" "你们的" "你的" "我" "他"
我们可以用上述方法无限类推，把38万的词，转换为一棵树。
这棵树和一般的树有些不一样，为了提高检索效率，我们必须把树种的子节点，变换为一个hash数组，这样，在给定任何一个字的基础上，我们都能快速获得这个字在所在层级的子节点位置。
我们可以给出节点的设定
//永久节点模型
struct _RuneLinkNode
{
CHashTable m_hmapRuneNextMap;
_Rune m_objRune;
char m_pWord[MAX_WORD_LENGTH];
int m_nPoolIndex;
char m_cUsed; //0为未使用，1为使用
};
最后一个叶子节点，也就是一个词的末尾，必须记录整个链条上的完整词汇，也就是m_pWord，便于抽取。过程节点，如果不是一个完整的词汇，则不必在记录这个词汇。
那么，给定一个句子，如可快读的遍历这棵树呢？
其实很简单，就和小孩子的积木形状填空游戏毫无二致。
还是那句话 "哪里见过你呀,朋友"
我们可以循环从这个字的第一个字开始，在树上寻找，如果找到这个字(哪)，再获取这个字的下一个字(里)，在这个字(哪)的下一个hashmap数组里去寻找(里)，如果这个字(里)还有子节点，那么继续在这个子节点去寻找下一个字(见)，直到找不到为止。
看上去可能有点绕口，那么程序上怎么实现呢？每次需要记录上一个字的位置，很烦的，因为我根本不知道一个词会有多少个字，比如"南无阿弥佗佛妈咪妈咪哄"这个词，我要记录多少次呀？是的，看上去很烦，但是，记得程序中有一个叫做递归的东西不？我们可以用一个递归函数，34行解决这个问题。
_RuneLinkNode* CWordBase::Set_HashMap_Word_Tree(_RuneLinkNode* pRuneNode, _Rune* pRune, int nLayer)
{
int nOfficeSet = pRuneNode->m_hmapRuneNextMap.Get_Hash_Box_Data((char* )pRune->m_szRune);
if(nOfficeSet > 0)
{
_RuneLinkNode* pCurrRuneNode = m_objNodePool.Get_NodeOffset_Ptr(nOfficeSet);
if(pCurrRuneNode->m_objRune == (*pRune))
{
//如果找到了，则返回当前节点
return pCurrRuneNode;
}
}
//如果没找到，则创建新的
_RuneLinkNode* pNode = m_objNodePool.Create(nLayer);
//printf("[CWordBase::Set_HashMap_Word_Tree]pNode=0x%08x.\n", pNode);
if(NULL == pNode)
{
printf("[CWordBase::Set_HashMap_Word_Tree]node pool is empty.\n");
return NULL;
}
int nNodeOffset = m_objNodePool.Get_Node_Offset(pNode);
pNode->m_objRune = (*pRune);
int nPos = pRuneNode->m_hmapRuneNextMap.Add_Hash_Data((char* )pRune->m_szRune, nNodeOffset);
if(-1 == nPos)
{
printf("[CWordBase::Set_HashMap_Word_Tree]tree node child is full.\n");
m_objNodePool.Delete(pNode);
return NULL;
}
return pNode;
}
这样，我们只需要按照肉眼的方式，读一遍句子，所有的词就被切分出来了。因为每层树的子节点都是hashmap，所以词的命中几乎和你读一遍句子for循环的次数是一致的，也就是说，"哪里见过你呀,朋友" 9个字我只需要9次循环就得到了全部的分词，比38万次强多了吧。分词结果是
[Cut]/哪里/见过/你/呀/,/朋友/
你看，机械分词就这么简单。那么，你可能会问。
分词是简单了，但是加载38万的词库，要消耗不少时间吧。
是的，38万个词，形成树，在我的测试服务器上，要消耗40秒左右。
我不可能为没次加载都付出40秒，启动太慢了，尤其在程序core掉的时候，有没有办法达到0秒启动呢？
当然，借助共享内存，我们可以把一棵树完整的压到共享内存中去，这样，当程序重启的时候，我只要得到共享内存的首地址，整个树就会瞬间还原了。怎么做呢？
树的主节点，可以是共享内存的开始节点。后面的叶子节点中的数据，我们不在用Node指针记录，直接用相对主节点的偏移量记录即可。使用的时候，我根据主节点的内存地址+偏移长度，直接还原成当前指针就可以了。所有的节点，都使用pool内存池的方式存储，用到添加节点的时候，从pool里面取得就行。
整个机械分词法+共享内存，也就500来行代码就搞定了，有兴趣可以看看我的实现。
完整代码，请看我的
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
