准确实用,7个优秀的开源中文分词库推荐

Posted OSC开源社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了准确实用,7个优秀的开源中文分词库推荐相关的知识,希望对你有一定的参考价值。

开源中国

关注

准确实用,7个优秀的开源中文分词库推荐


来源:开源中国(oschina2013)

转载请在文中注明来源和作者


中文分词是中文文本处理的基础步骤,也是中文人机自然语言交互的基础模块。由于中文句子中没有词的界限,因此在进行中文自然语言处理时,通常需要先进行分词。

纵观整个开源领域,陆陆续续做中文分词的也有不少,不过目前仍在维护的且质量较高的并不多。下面整理了一些个人认为比较优秀的中文分词库,以供大家参考使用。


1、jieba —— Python 中文分词组件


链接:https://www.oschina.net/p/jieba


“结巴”中文分词,做最好的 Python 中文分词组件。


特性


  • 支持三种分词模式:

    • 精确模式,试图将句子最精确地切开,适合文本分析;

    • 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;

    • 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。

  • 支持繁体分词

  • 支持自定义词典


算法


  • 基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)

  • 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合

  • 对于未登录词,采用了基于汉字成词能力的 HMM 模型,使用了 Viterbi 算法


代码示例


准确实用,7个优秀的开源中文分词库推荐


输出:


准确实用,7个优秀的开源中文分词库推荐


2、HanLP —— 汉语言处理包


链接:https://www.oschina.net/p/hanlp


HanLP是一系列模型与算法组成的NLP工具包,由大快搜索主导并完全开源,目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。


HanLP提供下列功能:


  • 中文分词

    • 索引全切分模式

    • 用户自定义词典

    • 兼容繁体中文

    • 训练用户自己的领域模型

    • 极速词典分词

    • 感知机分词、CRF分词

    • 最短路分词、N-最短路分词

    • HMM-Bigram(速度与精度最佳平衡;一百兆内存)

    • 由字构词(侧重精度,可识别新词;适合NLP任务)

    • 词典分词(侧重速度,每秒数千万字符;省内存)

    • 所有分词器都支持:

  • 词性标注

    • HMM词性标注(速度快)

    • 感知机词性标注、CRF词性标注(精度高)

  • 命名实体识别

    • 感知机命名实体识别、CRF命名实体识别

    • 中国人名识别、音译人名识别、日本人名识别、地名识别、实体机构名识别

    • 基于HMM角色标注的命名实体识别 (速度快)

    • 基于线性模型的命名实体识别(精度高)

  • 关键词提取

    • TextRank关键词提取

  • 自动摘要

    • TextRank自动摘要

  • 短语提取

    • 基于互信息和左右信息熵的短语提取

  • 拼音转换

    • 多音字、声母、韵母、声调

  • 简繁转换

    • 简繁分歧词(简体、繁体、臺灣正體、香港繁體)

  • 文本推荐

    • 语义推荐、拼音推荐、字词推荐

  • 依存句法分析

    • 基于神经网络的高性能依存句法分析器

    • MaxEnt依存句法分析

  • 文本分类

    • 情感分析

  • word2vec

    • 词向量训练、加载、词语相似度计算、语义运算、查询、KMeans聚类

    • 文档语义相似度计算

  • 语料库工具

    • 默认模型训练自小型语料库,鼓励用户自行训练。所有模块提供训练接口,语料可参考OpenCorpus


在提供丰富功能的同时,HanLP内部模块坚持低耦合、模型坚持惰性加载、服务坚持静态提供、词典坚持明文发布,使用非常方便,同时自带一些语料处理工具,帮助用户训练自己的模型。


3、Jcseg —— 轻量级 Java 中文分词器


链接:https://www.oschina.net/p/jcseg


Jcseg 是基于 mmseg 算法的一个轻量级中文分词器,同时集成了关键字提取,关键短语提取,关键句子提取和文章自动摘要等功能,并且提供了一个基于 Jetty 的 web 服务器,方便各大语言直接 http 调用,同时提供了最新版本的 lucene, solr, elasticsearch 的分词接口!Jcseg 自带了一个 jcseg.properties 文件用于快速配置而得到适合不同场合的分词应用,例如:最大匹配词长,是否开启中文人名识别,是否追加拼音,是否追加同义词等!


核心功能:


  • 中文分词:mmseg 算法 + Jcseg 独创的优化算法,四种切分模式。

  • 关键字提取:基于 textRank 算法。

  • 关键短语提取:基于 textRank 算法。

  • 关键句子提取:基于 textRank 算法。

  • 文章自动摘要:基于 BM25+textRank 算法。

  • 自动词性标注:基于词库+(统计歧义去除计划),目前效果不是很理想,对词性标注结果要求较高的应用不建议使用。

  • 命名实体标注:基于词库+(统计歧义去除计划),电子邮件,网址,大陆手机号码,地名,人名,货币,datetime 时间,长度,面积,距离单位等。

  • Restful api:嵌入 jetty 提供了一个绝对高性能的 server 模块,包含全部功能的http接口,标准化 json 输出格式,方便各种语言客户端直接调用。


中文分词模式:


六种切分模式


  • (1).简易模式:FMM 算法,适合速度要求场合。

  • (2).复杂模式:MMSEG 四种过滤算法,具有较高的歧义去除,分词准确率达到了 98.41%。

  • (3).检测模式:只返回词库中已有的词条,很适合某些应用场合。

  • (4).检索模式:细粒度切分,专为检索而生,除了中文处理外(不具备中文的人名,数字识别等智能功能)其他与复杂模式一致(英文,组合词等)。

  • (5).分隔符模式:按照给定的字符切分词条,默认是空格,特定场合的应用。

  • (6).NLP 模式:继承自复杂模式,更改了数字,单位等词条的组合方式,增加电子邮件,大陆手机号码,网址,人名,地名,货币等以及无限种自定义实体的识别与返回。


4、sego —— Go 中文分词


链接:https://www.oschina.net/p/sego


sego 是一个 Go 中文分词库,词典用双数组 trie(Double-Array Trie)实现, 分词器算法为基于词频的最短路径加动态规划。


支持普通和搜索引擎两种分词模式,支持用户词典、词性标注,可运行 JSON RPC 服务


分词速度单线程 9MB/s,goroutines 并发 42MB/s(8核 Macbook Pro)。


示例代码:


准确实用,7个优秀的开源中文分词库推荐


5、 FoolNLTK —— 可能是最准的开源中文分词


链接:https://www.oschina.net/p/foolnltk


中文处理工具包


特点


  • 可能不是最快的开源中文分词,但很可能是最准的开源中文分词

  • 基于 BiLSTM 模型训练而成

  • 包含分词,词性标注,实体识别, 都有比较高的准确率

  • 用户自定义词典

  • 可训练自己的模型

  • 批量处理


定制自己的模型


准确实用,7个优秀的开源中文分词库推荐


分词


准确实用,7个优秀的开源中文分词库推荐


6、Ansj 中文分词 —— 基于 n-Gram+CRF+HMM 的中文分词的 Java 实现


链接:https://www.oschina.net/p/ansj


Ansj 中文分词是一个基于 n-Gram+CRF+HMM 的中文分词的 java 实现。分词速度达到每秒钟大约200万字左右(mac air下测试),准确率能达到96%以上。目前实现了中文分词、中文姓名识别、用户自定义词典、关键字提取、自动摘要、关键字标记等功能,可以应用到自然语言处理等方面,适用于对分词效果要求高的各种项目。


下面是一个简单的分词效果,仅做参考:


准确实用,7个优秀的开源中文分词库推荐

准确实用,7个优秀的开源中文分词库推荐


7、word 分词 —— Java 分布式中文分词组件


链接:https://www.oschina.net/p/word


word 分词是一个 Java 实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用 ngram 模型来消除歧义。能准确识别英文、数字,以及日期、时间等数量词,能识别人名、地名、组织机构名等未登录词。能通过自定义配置文件来改变组件行为,能自定义用户词库、自动检测词库变化、支持大规模分布式环境,能灵活指定多种分词算法,能使用refine功能灵活控制分词结果,还能使用词频统计、词性标注、同义标注、反义标注、拼音标注等功能。提供了10种分词算法,还提供了10种文本相似度算法,同时还无缝和 Lucene、Solr、ElasticSearch、Luke 集成。注意:word1.3 需要 JDK1.8 。


分词算法效果评估:


准确实用,7个优秀的开源中文分词库推荐

准确实用,7个优秀的开源中文分词库推荐

准确实用,7个优秀的开源中文分词库推荐


公布啦!请以下用户在【开源中国】对话框私信确认最终想要的书籍,管理员收到信息后会在3个工作日内容回复书籍兑换码,请自行前往异步社区兑换:


  • https://www.epubit.com/


中奖用户:@Loongstyle จุ๊บ,@红颜,@_宝°,@我ྂ爱ྂ柠ྂ檬ྂ

以上是关于准确实用,7个优秀的开源中文分词库推荐的主要内容,如果未能解决你的问题,请参考以下文章

推荐(TensorFlow)深度学习中文分词开源了!98%准确率的深度学习分词系统和语料

优秀的中文分词jieba库

推荐简单易用的中文分词系统-盘古分词

北大开源中文分词工具pkuseg-python,我用张小龙的3万字演讲做了统计

基于开源中文分词工具pkuseg-python,我用张小龙的3万字演讲做了测试

Python中文分词库——jieba的用法