基于.NET的分词软件设计与实现V3.0–对比测试及改变

　　系列索引：基于.NET的分词软件设计与实现–索引及说明

　　在前面的两个版本中我们已经实现了所有的功能，即针对中文、英文、数字及特殊符 的分词功能，所以整体的功能已经基本实现，所有从这一篇开始起，系列的重点就放在了对比测试和性能优化上。
　　首先来看对比测试，俗话说：有比较才有进步。所以偶下载了很多分词软件，通过分词算法、分词效果及分词耗时等多项指标的比对，对自己的分词软件做出了相应的功能修补：

　　标注不是本系列的关注点，所以暂且pass（下同）。可以看到本分词软件的结果分隔并不是很明显，用户体验较差。

　　（2）中科院计算所汉语词法分析系统     下载

　　即把所有的斜线分隔符换成了来两个空格的形式。基于xml格式的即把分出来的词使用<src></src>的标签包裹。

　　（3）、盘古分词   下载

　　看到下面的留言有人提到盘古分词，我也下载了测试一下，效果如下：

　　可以看出本软件并没有对特殊字符（如换行符）作特殊处理，且分词只有一种输出格式，并且文本溢出时没有显示下拉框，体验不是很好。

　　（5） 络在线分词

　　下面提供一些我找到的还算可以的 络在线分词系统：

SCWS： http://www.hightman.cn/index.phpcws

　　　　高速在线中文分词：http://www.goocnjp.com/test/fenci/

　　此外，个人还做了一些分词软件的测试，结果是大多数分词对于待分词文本均不进行附加处理，而是保留其格式输出，而且其中作为分词方面权威的中科院的两款分词软件也是如此，这更说明了我们应该保留文本的原意，所以综合以上测试，我否定了自己在V2.0中提出的文本预处理的做法。

　　2、使用数组索引进行分词效率提升尝试。

　　回顾上篇的程序流程图，可以看到，我构造了一个集合用来存储非中文字符，在分词时出来循环遍历词典，还要遍历非中文字符的集合，效率自然比较悲催。。。

　　所以在V3.0中采取了数组索引的方式，所谓数组索引，代码如下：

1 /// <summary>
2 /// Updated：为所有数字英文添加分隔符
3 /// </summary>
4 /// <returns></returns>
5   string SplitNonChinese()
6 {
7 for ( int j = 0 ; j < _nonChineseRegex.Matches(_inputStr).Count; j ++ )
8 {
9 _inputStr = _inputStr.Insert(_nonChineseRegex.Matches(_inputStr)[j].Index + _nonChineseRegex.Matches(_inputStr)[j].Value.Length, @” “ );
10 }
11 return _inputStr;
12 }
13
14 /// <summary>
15 /// Updated：为所有中文标点添加分隔符
16 /// </summary>
17   string SplitChinesePunctuation()
18 {
19 _inputStr = SplitNonChinese();
20 for ( int i = 0 ; i < _chinesePunctuationRegex.Matches(_inputStr).Count; i ++ )
21 {
22 _inputStr = _inputStr.Insert(_chinesePunctuationRegex.Matches(_inputStr)[i]. Index + _chinesePunctuationRegex.Matches(_inputStr)[i].Value.Length, @” “ ); 23 }
24 return _inputStr;
25 }
26
27 /// <summary>
28 /// Updated：为所有汉字添加分隔符
29 /// </summary>
30 string SplitChinese()
31 {
32 _inputStr = SplitChinesePunctuation();
33 StringBuilder sb = new StringBuilder(_inputStr);
34 int i = 0 ;
35 foreach (Match item in _chineseRegex.Matches(sb.ToString()))
36 {
37 sb = sb.Insert(item.Index + item.Value.Length + i, “ \ “ );
38 i ++ ;
39 }
40 return sb.ToString();
41 }

　　由上可以看出，我们利用正则匹配，对匹配的位置分别加入斜杠分割，这样我们在正式的RMM（逆向最大匹配算法）开始分词之前就将文本进行了划分，划分出中文、非中文和标点符 。

　　程序流程图：

　　可以看到之前的遍历非中文集合操作已经被取消，更改为判断是否是中文字符，只要通过：_nonChineseRegex.IsMatch(strList[i])判断出有一个字符不是中文，介于之前已经对文本进行了拆分，所以我们可以很肯定的认为整个子句均为非中文，故直接加入到待输出集合中即可。

　　结果：截取测试文本的1000个字进行测试，结果从V2.0的11秒左右提升到了8秒左右，效率提升27%。

相关资源：jFB精良分班软件绿色版-教育工具类资源-CSDN文库