fix: GSE数据文件从gse/dict目录加载

gse/dict/README.md

@@ -0,0 +1,15 @@
+Some dict/zh data is from [github.com/fxsjy/jieba](https://github.com/fxsjy/jieba)
+
+update at 2023-11-16:
+
+add two new dict documents , which from [github.com/GuocaiL/nlp_corpus](https://github.com/GuocaiL/nlp_corpus)
+
+generated by `nlp_corpus/open_ner_data/boson/boson.txt`, `open_ner_data/people_daily/people_daily_ner.txt`, `open_ner_data/tianchi_yiyao/train.txt`,`open_ner_data/ResumeNER/dev.txt`
+
+1. tf_idf.txt
+
+The first column of this document is the term , the second column is the word frequency of the corresponding term, and the third column is the inverse document frequency of the corresponding term 
+
+2. tf_idf_origin.txt
+
+the origin corpus text

gse/dict/jp/README.md

@@ -0,0 +1 @@
+dict.txt 通过内部工具生成, Copyright 2017 ego authors. 商用和拷贝请注明来源和版权

gse/dict/zh/stop_word.txt

@@ -0,0 +1,88 @@
+,
+.
+?
+!
+"
+@
+，
+。
+、
+？
+！
+：
+“
+”
+；
+　
+（
+）
+《
+》
+~
+*
+<
+>
+/
+\
+|
+-
+_
++
+=
+&
+^
+%
+#
+`
+;
+$
+￥
+‘
+’
+〉
+〈
+…
+＞
+＜
+＠
+＃
+＄
+％
+︿
+＆
+＊
+＋
+～
+｜
+［
+］
+｛
+｝
+啊
+阿
+哎
+哎呀
+哎哟
+唉
+俺
+俺们
+按
+按照
+吧
+吧哒
+把
+罢了
+被
+本
+本着
+比
+比方
+比如
+鄙人
+彼
+彼此
+边
+别
+别的
+别说
+并

gse/gse.go

@@ -2,7 +2,6 @@ package utils
 
 import (
 	"context"
-	"os"
 	"path/filepath"
 	"sort"
 	"sync"
@@ -38,23 +37,43 @@ type gseTool struct {
 	tr    *extracker.TextRanker
 }
 
-// newGseTool 初始化工具（内置词典 + 停用词）
+// newGseTool 初始化工具（使用外部数据文件）
 func newGseTool() (tool *gseTool, err error) {
 	// 1. 初始化分词器
 	var seg gse.Segmenter
 
-	// 获取GSE数据文件路径
+	// gse数据文件在可执行文件同级的gse/dict目录下
-	gseDataPath := os.Getenv("GSE_DATA_PATH")
+	gseDataPath := "gse"
-
-	if gseDataPath != "" {
-		// 使用外部数据文件
 	dictPath := filepath.Join(gseDataPath, "dict", "zh")
-		idfPath := filepath.Join(gseDataPath, "dict", "zh", "idf.txt")
+	idfPath := filepath.Join(dictPath, "idf.txt")
-		stopPath := filepath.Join(gseDataPath, "dict", "zh", "stop.txt")
+	stopPath := filepath.Join(dictPath, "stop.txt")
 
 	// 加载词典
 	err = seg.LoadDict(filepath.Join(dictPath, "dict.txt"))
 	if err != nil {
+		glog.Warning(context.Background(), "加载gse词典失败，尝试embed模式:", err)
+		// 回退到embed模式
+		err = seg.LoadDictEmbed()
+		if err != nil {
+			return
+		}
+		err = seg.LoadStopEmbed()
+		if err != nil {
+			return
+		}
+		tfidf := &extracker.TagExtracter{}
+		tfidf.WithGse(seg)
+		err = tfidf.LoadIdf()
+		if err != nil {
+			return
+		}
+		tr := &extracker.TextRanker{}
+		tr.WithGse(seg)
+		tool = &gseTool{
+			seg:   seg,
+			tfidf: tfidf,
+			tr:    tr,
+		}
 		return
 	}
 
@@ -81,36 +100,6 @@ func newGseTool() (tool *gseTool, err error) {
 		tfidf: tfidf,
 		tr:    tr,
 	}
-	} else {
-		// 使用内置embed数据
-		err = seg.LoadDictEmbed()
-		if err != nil {
-			return
-		}
-		// 内置停用词（v1.0.2 标准）
-		err = seg.LoadStopEmbed()
-		if err != nil {
-			return
-		}
-
-		// 2. 初始化 TF-IDF 提取器
-		tfidf := &extracker.TagExtracter{}
-		tfidf.WithGse(seg)
-		err = tfidf.LoadIdf()
-		if err != nil {
-			return
-		}
-
-		// 3. 初始化 TextRank 提取器
-		tr := &extracker.TextRanker{}
-		tr.WithGse(seg)
-
-		tool = &gseTool{
-			seg:   seg,
-			tfidf: tfidf,
-			tr:    tr,
-		}
-	}
 	return
 }