先说基础建设。国内用中文分词最常碰到的问题就是新词识别。比如“裂墙推荐”“绝绝子”这种网络用语，用默认词典根本切不准。我这边用的是HanLP的扩展词典功能，直接在自定义词典文件里追加新词和频次，像“绝绝子 1000 nr”这样标注词性和频次。加载时通过enableCustomDictionary(true)开启，效果立竿见影。不过要注意词典加载顺序，自定义词典要优先于核心词典加载，否则还是会被系统词典覆盖。

命名实体识别在电商场景特别实用。我们之前用Stanford CoreNLP处理商品规格文本，比如“华为Mate60 Pro 12+512GB 黛紫色”。这里要识别品牌、型号、内存、颜色多类实体。关键是要训练自己的CRF模型，标注样本时要注意实体边界划分。有个经验：标注规范要明确“12+512GB”整体标为MEMORY，而不是拆成两个数字。训练时用Properties配置ner.model和ner.map，在流水线里用ner.fine.regexner.mapping忽略大小写，准确率能到92%左右。

情感分析这块我们走过弯路。最初用TextBlob直接跑英文模型处理中文，结果完全不对。后来改用组合方案：先基于HowNet情感词典做基础情感分，再用SnowNLP的贝叶斯模型修正。具体实现时要处理否定词反转，比如“不划算”要从负转正。还有程度副词加权，“非常满意”要比“满意”分数更高。我们构建了程度词词典，分极度、高度、中度三个级别，分别设置1.5、1.2、0.8的权重系数。

句法分析在智能客服里用得最多。比如用户问“怎么重置苹果手机的开机密码”，用Stanford Parser分析依存关系后，能提取出“重置-密码”这个核心动宾结构，和“苹果手机”这个设备修饰。这里要注意中文的短语句法树和英文差异很大，比如“开机密码”是定中关系，要专门配置ChinesePCFG.ser.gz模型文件。解析结果用GrammaticalStructure的typedDependencies拿到三元组，再转成自定义的语义框架。

深度学习方案现在也成熟了。DL4J训练BERT模型处理相似问匹配，需要先把文本转换成BERT的输入格式。这里要自己处理中文WordPiece分词，我们用的是BertTokenizer.fromPretrained("bert-base-chinese")。训练时注意max_seq_length设置，中文建议256，batchSize别超过32，否则显存容易爆。部署时用NativeModelLoader加载训练好的.zip模型，推理速度比Python快三倍左右。

最后说说性能调优。大规模文本处理时最怕内存泄漏，特别是Stanford CoreNLP的Annotation对象会缓存中间结果。我们的解决方案是每处理1000条文本就重启pipeline，用Runtime.getRuntime().gc()触发主动GC。另外多线程环境下要确保每个线程独享AnnotationPipeline，避免并发修改异常。

Java做NLP确实要踩不少坑，但一旦打通全链路，在吞吐量和稳定性上的优势就体现出来了。特别是在企业级应用中，与现有Java体系无缝集成的便利性，是其他语言方案难以比拟的。未来准备尝试用Tribuo训练自定义文本分类模型，据说在OOM处理上比Weka更稳健。