干货 | 史上最全中文分词工具整理

Posted 2021-04-24 磐创AI

作者 | fendouai

编辑 | 安可

出品 | 磐创AI技术团队

 

一．中文分词

 分词服务接口列表

二．准确率评测：

THULAC：与代表性分词软件的性能对比

我们选择LTP-3.2.0 、ICTCLAS(2015版) 、jieba(C++版)等国内具代表性的分词软件与THULAC做性能比较。我们选择Windows作为测试环境，根据第二届国际汉语分词测评（The SecondInternational Chinese Word Segmentation Bakeoff)发布的国际中文分词测评标准，对不同软件进行了速度和准确率测试。

 

在第二届国际汉语分词测评中，共有四家单位提供的测试语料(Academia Sinica、 City University 、Peking University 、MicrosoftResearch), 在评测提供的资源icwb2-data中包含了来自这四家单位的训练集（training）、测试集（testing）, 以及根据各自分词标准而提供的相应测试集的标准答案（icwb2-data/scripts/gold）．在icwb2-data/scripts目录下含有对分词进行自动评分的perl脚本score。

 

我们在统一测试环境下，对上述流行分词软件和THULAC进行了测试，使用的模型为各分词软件自带模型。THULAC使用的是随软件提供的简单模型Model_1。评测环境为 Intel Core i5 2.4 GHz 评测结果如下：

评测结果1

除了以上在标准测试集上的评测，我们也对各个分词工具在大数据上的速度进行了评测，结果如下：

CNKI_journal.txt（51 MB）

评测结果2

分词数据准备及评测由BosonNLP完成：11 款开放中文分词引擎大比拼（2015年发布）

 

分词的客观量化测试离不开标注数据，即人工所准备的分词“标准答案”。在数据源方面，我们将测试分为: 1.新闻数据：140篇，共30517词语； 2.微博数据：200篇，共12962词语； 3.汽车论坛数据（汽车之家）100篇：共27452词语； 4.餐饮点评数据（大众点评）：100条，共8295词语。

 

准确度计算规则：

将所有标点符号去除，不做比较

参与测试的部分系统进行了实体识别，可能造成词语认定的不统一。我们将对应位置替换成了人工标注的结果，得到准确率估算的上界。

经过以上处理，用SIGHAN 分词评分脚本比较得到最终的准确率，召回率和F1值。

不同分词系统的分词准确度对比

三．付费价格：

阿里云：

 阿里云付费价格

腾讯云：

腾讯云付费价格

玻森中文

免费额度：

 玻森中文免费额度

付费价格：

 玻森中文付费价格

四．官网

开源工具

HanLP：

https://github.com/hankcs/HanLP

结巴分词：

https://github.com/fxsjy/jieba

盘古分词：

http://pangusegment.codeplex.com/

庖丁解牛：

https://code.google.com/p/paoding/

SCWS中文分词：

http://www.xunsearch.com/scws/docs.php

 

高校工具

FudanNLP：

https://github.com/FudanNLP/fnlp

LTP：

http://www.ltp-cloud.com/document

THULAC：

http://thulac.thunlp.org/

NLPIR：

http://ictclas.nlpir.org/docs

 

商业服务

BosonNLP：

http://bosonnlp.com/dev/center   

百度NLP：

https://cloud.baidu.com/doc/NLP/NLP-API.html

搜狗分词：

http://www.sogou.com/labs/webservice/

腾讯文智：

https://cloud.tencent.com/document/product/271/2071

腾讯价格单：

https://cloud.tencent.com/document/product/271/1140

阿里云NLP：

https://data.aliyun.com/product/nlp

新浪云：

http://www.sinacloud.com/doc/sae/python/segment.html

 

测试数据集

1、SIGHANBakeoff 2005 MSR, 560KB 

http://sighan.cs.uchicago.edu/bakeoff2005/

2、SIGHANBakeoff 2005 PKU, 510KB 

http://sighan.cs.uchicago.edu/bakeoff2005/

3、人民日报 2014,65MB 

https://pan.baidu.com/s/1hq3KKXe

 

前两个数据集是SIGHAN于2005年组织的中文分词比赛所用的数据集，也是学术界测试分词工具的标准数据集，本文用于测试各大分词工具的准确性，而最后一个数据集规模较大，用于测试分词速度。

你也许还想看：

欢迎扫码关注：

 点击下方 | 阅读原文 | 了解更多