Hanlp等七种优秀的开源中文分词库推荐

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、HanLP —— 汉语言处理包

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:

l 中文分词

l HMM-Bigram(速度与精度最佳平衡;一百兆内存)

l 最短路分词、N-最短路分词

l 由字构词(侧重精度,可识别新词;适合NLP任务)

l 感知机分词、CRF分词

l 词典分词(侧重速度,每秒数千万字符;省内存)

l 极速词典分词

l 所有分词器都支持:

l 索引全切分模式

l 用户自定义词典

l 兼容繁体中文

l 训练用户自己的领域模型

l 词性标注

l HMM词性标注(速度快)

l 感知机词性标注、CRF词性标注(精度高)

l 命名实体识别

l 基于HMM角色标注的命名实体识别 (速度快)

l 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

l 基于线性模型的命名实体识别(精度高)

l 感知机命名实体识别、CRF命名实体识别

l 关键词提取

l TextRank关键词提取

l 自动摘要

l TextRank自动摘要

l 短语提取

l 基于互信息和左右信息熵的短语提取

l 拼音转换

l 多音字、声母、韵母、声调

l 简繁转换

l 简繁分歧词(简体、繁体、臺灣正體、香港繁體)

l 文本推荐

l 语义推荐、拼音推荐、字词推荐

l 依存句法分析

l 基于神经网络的高性能依存句法分析器

l MaxEnt依存句法分析

l 文本分类

l 情感分析

l word2vec

l 词向量训练、加载、词语相似度计算、语义运算、查询、KMeans聚类

l 文档语义相似度计算

l 语料库工具

l 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。

2、jieba —— Python 中文分词组件

“结巴”中文分词,做最好的 Python 中文分词组件。

特性

l 支持三种分词模式:

l 精确模式,试图将句子最精确地切开,适合文本分析;

l 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;

l 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。

l 支持繁体分词

l 支持自定义词典

算法

l 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)

l 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

l 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

3、Jcseg —— 轻量级 Java 中文分词器

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:

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

l 关键字提取:基于 textRank 算法。

l 关键短语提取:基于 textRank 算法。

l 关键句子提取:基于 textRank 算法。

l 文章自动摘要:基于 BM25+textRank 算法。

l 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。

l 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。

l 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

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:

5、 FoolNLTK —— 可能是最准的开源中文分词

中文处理工具包

特点

l 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

l 基于 BiLSTM 模型训练而成

l 包含分词,词性标注,实体识别, 都有比较高的准确率

l 用户自定义词典

l 可训练自己的模型

l 批量处理

定制自己的模型

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

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:

7、word 分词 —— Java 分布式中文分词组件

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:

转载自编辑部的故事的个人空间

原文链接:https://my.oschina.net/editorial-story/blog/1863106

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据和云

用SQL解一道有趣的数学题:Gauss和Poincare

杨廷琨,网名 yangtingkun 云和恩墨技术总监,Oracle ACE Director,ACOUG 核心专家 用SQL为解析一道数学题 ---- Ora...

42050
来自专栏WOLFRAM

2017 全日食,你准备好了吗?

15630
来自专栏超智能体

超智能体M01:7分钟入门线性代数+微积分

70450
来自专栏PPV课数据科学社区

电商评论情感分析

? 随着网上购物的流行,各大电商竞争激烈,为了提高客户服务质量,除了打价格战外,了解客户的需求点,倾听客户的心声也越来越重要,其中重要的方式 就是对消费者的文...

1.1K70
来自专栏绿巨人专栏

蒙特卡洛树搜索算法(UCT): 一个程序猿进化的故事

69060
来自专栏机器学习AI算法工程

Python 自然语言处理(NLP)工具库汇总

最近正在用nltk 对中文网络商品评论进行褒贬情感分类,计算评论的信息熵(entropy)、互信息(point mutual information)和困惑值(...

577120
来自专栏用户画像

相似人群画像算法

由于TESLA集群无法直接操作MongoDB,需要将TDW里面的用户画像数据,通过洛子系统导出至HDFS,再与MongoDB中原有群画像进行合并。

77450
来自专栏PaddlePaddle

【AI核心技术】课程十九:神经图灵机—寻址

UAI与PaddlePaddle联合推出的【AI核心技术掌握】系列课程持续更新中!

10210
来自专栏Winter漫聊技术

随机机制的探索(RandomPicker中文文档)

RandomPicker?? 最初的灵感来来自音乐随机播放: 权重++ 切歌模式

11320
来自专栏CDA数据分析师

R语言数据可视化综合指南

让我们快速浏览一下这张图表: ? 这张可视化数据图(最初用Tableau软件创建 )是如何利用数据可视化来帮助决策者的一个很好的例子。想象一下,如果这些信息通过...

51460

扫码关注云+社区

领取腾讯云代金券