LibMMSeg中文分词软件包
LibMMSeg 简介
LibMMSeg 是Coreseek.com为 Sphinx 全文搜索引擎设计的中文分词软件包，其在GPL协议下发行的中文分词法，采用Chih-Hao Tsai的MMSEG算法。
MMSEG: A Word Identification System for Mandarin Chinese Text Based on Two Variants of the Maximum Matching Algorithm
Published: 1996-04-29
Updated: 1998-03-06
Document updated: 2000-03-12
License: Free for noncommercial use
Copyright 1996-2006 Chih-Hao Tsai (Email: hao520 at yahoo.com )
您可以在Chih-Hao Tsai's Technology Page找到算法的原文。
LibMMSeg 采用C++开发，同时支持Linux平台和Windows平台，切分速度大约在300K/s（PM-1.2G），截至当前版本（0.7.1）LibMMSeg没有为速度仔细优化过，进一步的提升切分速度应仍有空间。
下载
下载 MMSeg 0.7.3
修订记录
0.7.3
- 2008.05.27 修正 Makefile 无法安装csr_typedefs.h的问题
- 2008.05.27 修正 x64系统上编译无法作为动态库的一部分编译的问题
0.7.2
- 2008.05.19 修正 指定的目录中无词典不提示错误的问题
- 2008.05.19 新增 Ruby 的调用API
0.7.1
- 2008.04.23 修正了在类似 “english 中文 english" 的句子，切分不正确的问题
0.7
- 第一次发行
安装
Window平台
打开源码包中src\win32 子目录下的对应的工程文件，目前LibMMSeg内置了VS2003和VS2005的工程文件。
Linux平台
在源码包根目录下执行：
./configure && make && make install
使用
词典的构造
mmseg -u unigram.txt
该命令执行后，将会产生一个名为unigram.txt.uni的文件，将该文件改名为uni.lib，完成词典的构造。需要注意的是，unigram.txt 必须为UTF-8编码。
词典文件格式：
....
河 187
x:187
造假者 1
x:1
台北队 1
x:1
湖边 1
......
其中，每条记录分两行。其中，第一行为词项，其格式为：[词条]\t[词频率]。需要注意的是，对于单个字后面跟这个字作单字成词的频率，这个频率 需要在大量的预先切分好的语料库中进行统计，用户增加或删除词时，一般不需要修改这个数值；对于非单字词，词频率处必须为1。第二行为占位项，是由于 LibMMSeg库的代码是从Coreseek其他的分词算法库（N-gram模型）中改造而来的，在原来的应用中，第二行为该词在各种词性下的分布频 率。LibMMSeg的用户只需要简单的在第二行处填"x:1"即可。
用户可以通过修改词典文件增加自己的自定义词，以提高分词法在某一具体领域的切分精度，系统默认的词典文件在data/unigram.txt中。
分词
mmseg -d tobe_segment.txt
其中，命令使用‘-d’开关指定词库文件所在的位置，参数dict_dir为词库文件（uni.lib ）所在的目录；tobe_segment.txt 为待切分的文本文件，必须为UTF-8编码。如果一切正确，mmseg会将切分结果以及所花费的时间显示到标准输出上。
对特殊短语的支持
由于LibMMSeg是为Sphinx全文搜索引擎设计的，因此其内置了部分搜索引擎切分算法的特性，主要表现在对特殊短语的支持上。
在搜索引擎中，需要处理C++时，如果分词器中没有词组C++，则将被切分为C/x +/x +/x，在进一步的检索中，可能每个词会由于出现的过于频繁而被过滤掉，导致搜索的结果与C++相关度不高不说，也严重影响的全文搜索的速度。在 LibMMSeg中，内置对特殊短语的支持。
其输入文件格式如下
// test commit
.net => dotnet
c# => csharp
c++ => cplusplus
其中左侧是待支持的特殊短语，右侧是左侧的特殊短语需要被转换为的短语。这一转换在分词前进行。
可以在行的开头加入'//'作为注释符号，发现符号'//'后，整行将被忽略。
特殊短语词库构造命令：
mmseg -b exceptions.txt
其中, 开关'-b'指示mmseg是要构造特殊短语词库；exceptions.txt是用户编辑的特殊短语转换规则。
该命令执行后，将在当前目录下产生一个名为"synonyms.dat"的文件，将该文件放在"uni.lib"同一目录下，分词系统将自动启动特殊短语转换功能。
注意：
1、在启用了该功能后，如果分词系统发现了一个特殊短语，将直接输出其在右侧对应的替换的值；
2、右侧被替换的值，请保证不会被分词器进行切分。（eg. C++ => C# 这个转换的意义不大，并且可能导致C++这个短语永远无法被检索到！）
附录：
MMSeg算法说明
首先来理解一下chunk，它是MMSeg分词算法中一个关键的概念。Chunk中包含依据上下文分出的一组词和相关的属性，包括长度 (Length)、平均长度(Average Length)、标准差的平方(Variance)和自由语素度(Degree Of Morphemic Freedom)。下面列出了这4个属性：
| 属性 | 含义 |
| 长度(Length) | chuck中各个词的长度之和 |
| 平均长度(Average Length) | 长度(Length)/词数 |
| 标准差的平方(Variance) | 同数学中的定义 |
| 自由语素度(Degree Of Morphemic Freedom) | 各单字词词频的对数之和 |
Chunk中的4个属性只有在需要该属性的值时才进行计算，而且只计算一次。
其次来理解一下规则(Rule)，它是MMSeg分词算法中的又一个关键的概念。实际上我们可以将规则理解为一个过滤器(Filter)，过滤掉不符合要求的chunk。MMSeg分词算法中涉及了4个规则：
- 规则1：取最大匹配的chunk (Rule 1: Maximum matching)
- 规则2：取平均词长最大的chunk (Rule 2: Largest average word length)
- 规则3：取词长标准差最小的chunk (Rule 3: Smallest variance of word lengths)
- 规则4：取单字词自由语素度之和最大的chunk (Rule 4: Largest sum of degree of morphemic freedom of one-character words)
这4个规则符合汉语成词的基本习惯。
再来理解一下匹配方式复杂最大匹配(Complex maximum matching)：
复杂最大匹配先使用规则1来过滤chunks，如果过滤后的结果多于或等于2，则使用规则2继续过滤，否则终止过滤过程。如果使用规则2得到的过滤 结果多于或等于2，则使用规则3继续过滤，否则终止过滤过程。如果使用规则3得到的过滤结果多于或等于2，则使用规则4继续过滤，否则终止过滤过程。如果 使用规则 4得到的过滤结果多于或等于2，则抛出一个表示歧义的异常，否则终止过滤过程。
最后通过一个例句--“研究生命起源来简述”一下复杂最大匹配的分词过程。MMSeg分词算法会得到7个chunk，分别为：
| 编号 | chunk | 长度 |
| 0 | 研_究_生 | 3 |
| 1 | 研_究_生命 | 4 |
| 2 | 研究_生_命 | 4 |
| 3 | 研究_生命_起 | 5 |
| 4 | 研究_生命_起源 | 6 |
| 5 | 研究生_命_起 | 5 |
| 6 | 研究生_命_起源 | 6 |
使用规则1过滤后得到2个chunk，如下：
| 编号 | chunk | 长度 |
| 4 | 研究_生命_起源 | 6 |
| 6 | 研究生_命_起源 | 6 |
计算平均长度后为：
| 编号 | chunk | 长度 | 平均长度 |
| 4 | 研究_生命_起源 | 6 | 2 |
| 6 | 研究生_命_起源 | 6 | 2 |
使用规则2过滤后得到2个chunk，如下：
| 编号 | chunk | 长度 | 平均长度 |
| 4 | 研究_生命_起源 | 6 | 2 |
| 6 | 研究生_命_起源 | 6 | 2 |
计算标准差的平方后为：
| 编号 | chunk | 长度 | 平均长度 | 标准差的平方 |
| 4 | 研究_生命_起源 | 6 | 2 | 0 |
| 6 | 研究生_命_起源 | 6 | 2 | 4/9 |
使用规则3过滤后得到1个chunk，如下：
| 编号 | chunk | 长度 | 平均长度 | 标准差的平方 |
| 4 | 研究_生命_起源 | 6 | 2 | 0 |
匹配过程终止。最终取“研究”成词，以相同的方法继续处理“生命起源”。
分词效果:
研究_生命_起源_
研究生_教育_