自然语言处理hanlp------9基于双数组字典树的AC自动机
作者：互联网
文章目录
前言
双数组字典树能在O( l l l)的时间内高速完成单串匹配，并且消耗的内存可控，软肋在于多模式匹配。如果要匹配多个模式串，必须先前缀查询，然后频繁截取文本的后缀才行。但是上一节测评的AC多模式匹配又还不如双数组字典树快，所以，本节就采用二者结合。称为AhoCorasickDoubleArrayTire(简称ACDAT)
一、原理
ACDAT的基本原理：
替换AC自动机的goto表
也可以看作为一棵双数组字典树的每个状态附上额外的信息，AC自动机的goto表就是字典树，只不过AC自动机多了fail表和output表。那么ACDAT的构建原理就是为每个状态构建output和fail表
具体三步如下：
- 构建一棵普通的字典树，让终止节点记住对应模式串的字典序。
- 构建双数组字典树，在将每个状态映射到双数组时，让它记住自己在双数组中的下标。
- 构建AC自动机,此时fail表中存储的就是状态的下标。
二、实现
代码可以说是贼多了，建议还是下载后阅读吧，我这里实在是难以展示
在晗佬的代码中：com\hankcs\hanlp\collection\AhoCorasick\AhoCorasickDoubleArrayTrie.java
我仅放出核心代码块吧
private class Builder
{
/**
* 根节点，仅仅用于构建过程
*/
private State rootState = new State();
/**
* 是否占用，仅仅用于构建
*/
private boolean used[];
/**
* 已分配在内存中的大小
*/
private int allocSize;
/**
* 一个控制增长速度的变量
*/
private int progress;
/**
* 下一个插入的位置将从此开始搜索
*/
private int nextCheckPos;
/**
* 键值对的大小
*/
private int keySize;
/**
* 由一个排序好的map创建
*/
@SuppressWarnings("unchecked")
public void build(TreeMap<String, V> map)
{
// 把值保存下来
v = (V[]) map.values().toArray();
l = new int[v.length];
Set<String> keySet = map.keySet();
// 构建二分trie树
addAllKeyword(keySet);
// 在二分trie树的基础上构建双数组trie树
buildDoubleArrayTrie(keySet);
used = null;
// 构建failure表并且合并output表
constructFailureStates();
rootState = null;
loseWeight();
}
/**
* 添加一个键
*
* @param keyword 键
* @param index 值的下标
*/
private void addKeyword(String keyword, int index)
{
State currentState = this.rootState;
for (Character character : keyword.toCharArray())
{
currentState = currentState.addState(character);
}
currentState.addEmit(index);
l[index] = keyword.length();
}
/**
* 一系列键
*
* @param keywordSet
*/
private void addAllKeyword(Collection<String> keywordSet)
{
int i = 0;
for (String keyword : keywordSet)
{
addKeyword(keyword, i++);
}
}
/**
* 建立failure表
*/
private void constructFailureStates()
{
fail = new int[size + 1];
fail[1] = base[0];
output = new int[size + 1][];
Queue<State> queue = new LinkedBlockingDeque<State>();
// 第一步，将深度为1的节点的failure设为根节点
for (State depthOneState : this.rootState.getStates())
{
depthOneState.setFailure(this.rootState, fail);
queue.add(depthOneState);
constructOutput(depthOneState);
}
// 第二步，为深度 > 1 的节点建立failure表，这是一个bfs
while (!queue.isEmpty())
{
State currentState = queue.remove();
for (Character transition : currentState.getTransitions())
{
State targetState = currentState.nextState(transition);
queue.add(targetState);
State traceFailureState = currentState.failure();
while (traceFailureState.nextState(transition) == null)
{
traceFailureState = traceFailureState.failure();
}
State newFailureState = traceFailureState.nextState(transition);
targetState.setFailure(newFailureState, fail);
targetState.addEmit(newFailureState.emit());
constructOutput(targetState);
}
}
}
/**
* 建立output表
*/
private void constructOutput(State targetState)
{
Collection<Integer> emit = targetState.emit();
if (emit == null || emit.size() == 0) return;
int output[] = new int[emit.size()];
Iterator<Integer> it = emit.iterator();
for (int i = 0; i < output.length; ++i)
{
output[i] = it.next();
}
AhoCorasickDoubleArrayTrie.this.output[targetState.getIndex()] = output;
}
private void buildDoubleArrayTrie(Set<String> keySet)
{
progress = 0;
keySize = keySet.size();
resize(65536 * 32); // 32个双字节
base[0] = 1;
nextCheckPos = 0;
State root_node = this.rootState;
List<Map.Entry<Integer, State>> siblings = new ArrayList<Map.Entry<Integer, State>>(root_node.getSuccess().entrySet().size());
fetch(root_node, siblings);
insert(siblings);
}
/**
* 拓展数组
*
* @param newSize
* @return
*/
private int resize(int newSize)
{
int[] base2 = new int[newSize];
int[] check2 = new int[newSize];
boolean used2[] = new boolean[newSize];
if (allocSize > 0)
{
System.arraycopy(base, 0, base2, 0, allocSize);
System.arraycopy(check, 0, check2, 0, allocSize);
System.arraycopy(used, 0, used2, 0, allocSize);
}
base = base2;
check = check2;
used = used2;
return allocSize = newSize;
}
/**
* 插入节点
*
* @param siblings 等待插入的兄弟节点
* @return 插入位置
*/
private int insert(List<Map.Entry<Integer, State>> siblings)
{
int begin = 0;
int pos = Math.max(siblings.get(0).getKey() + 1, nextCheckPos) - 1;
int nonzero_num = 0;
int first = 0;
if (allocSize <= pos)
resize(pos + 1);
outer:
// 此循环体的目标是找出满足base[begin + a1...an] == 0的n个空闲空间,a1...an是siblings中的n个节点
while (true)
{
pos++;
if (allocSize <= pos)
resize(pos + 1);
if (check[pos] != 0)
{
nonzero_num++;
continue;
}
else if (first == 0)
{
nextCheckPos = pos;
first = 1;
}
begin = pos - siblings.get(0).getKey(); // 当前位置离第一个兄弟节点的距离
if (allocSize <= (begin + siblings.get(siblings.size() - 1).getKey()))
{
// progress can be zero // 防止progress产生除零错误
double l = (1.05 > 1.0 * keySize / (progress + 1)) ? 1.05 : 1.0 * keySize / (progress + 1);
resize((int) (allocSize * l));
}
if (used[begin])
continue;
for (int i = 1; i < siblings.size(); i++)
if (check[begin + siblings.get(i).getKey()] != 0)
continue outer;
break;
}
// -- Simple heuristics --
// if the percentage of non-empty contents in check between the
// index
// 'next_check_pos' and 'check' is greater than some constant value
// (e.g. 0.9),
// new 'next_check_pos' index is written by 'check'.
if (1.0 * nonzero_num / (pos - nextCheckPos + 1) >= 0.95)
nextCheckPos = pos; // 从位置 next_check_pos 开始到 pos 间，如果已占用的空间在95%以上，下次插入节点时，直接从 pos 位置处开始查找
used[begin] = true;
size = (size > begin + siblings.get(siblings.size() - 1).getKey() + 1) ? size : begin + siblings.get(siblings.size() - 1).getKey() + 1;
for (Map.Entry<Integer, State> sibling : siblings)
{
check[begin + sibling.getKey()] = begin;
}
for (Map.Entry<Integer, State> sibling : siblings)
{
List<Map.Entry<Integer, State>> new_siblings = new ArrayList<Map.Entry<Integer, State>>(sibling.getValue().getSuccess().entrySet().size() + 1);
if (fetch(sibling.getValue(), new_siblings) == 0) // 一个词的终止且不为其他词的前缀，其实就是叶子节点
{
base[begin + sibling.getKey()] = (-sibling.getValue().getLargestValueId() - 1);
progress++;
}
else
{
int h = insert(new_siblings); // dfs
base[begin + sibling.getKey()] = h;
}
sibling.getValue().setIndex(begin + sibling.getKey());
}
return begin;
}
/**
* 释放空闲的内存
*/
private void loseWeight()
{
int nbase[] = new int[size + 65535];
System.arraycopy(base, 0, nbase, 0, size);
base = nbase;
int ncheck[] = new int[size + 65535];
System.arraycopy(check, 0, ncheck, 0, size);
check = ncheck;
}
}
代码冗多，我个人理解来说，我们只要过一遍代码，理解思路是什么即可，毕竟我们之后去使用这些，仅仅需要会用即可。
测试
展示晗佬的全切分速度对比图：
结果与双数组字典树不相上下。主要原因是汉语中的词汇都不长，有的其至是单字词汇，这使得前缀树的优势占了较大比重，AC自动机的fail机制没有了用武之地，其次要原因是全切分需要将结果添加到链表，也会占用时间。
下面增加词汇的长度来观察词汇长度对匹配速度的影响
可见，随着模式串长度的增加，ACDAT的优势渐渐体现了出来。总之，当含有短模式串时,优先用DAT，否则优先用ACDAT。
总结
本节重在对晗佬代码和思路的多读多看。读者可以下载源码自行深度理解一下，找不到资源的加群呀。
此外：本人创建了QQ交流群，希望大家来交流学习（新群人少，不是假群o(╥﹏╥)o…）
标签：AC,int,begin,private,new,------,siblings,hanlp,size 来源： https://blog.csdn.net/qq_41976613/article/details/113548201