发 帖  

[经验] Hanlp等七种优秀的开源中文分词库推荐

7 天前  231 python人工long8龙8国际pt 自然语言处理
收藏 0 收藏 推荐 0 推荐
分享

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。
2jieba —— 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long8龙8国际pt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



本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?注册
x
收藏 0 收藏 推荐 0 推荐

评论

高级模式
您需要登录后才可以回帖 登录 | 注册
发经验
关闭

站长推荐 上一条 /9 下一条

快速回复 返回顶部 返回列表
-

推荐专区

龙8娱乐城官网干货集中营

专家问答

用户帮助┃咨询与建议┃版主议事

工程师杂谈

项目|工程师创意

招聘|求职}工程师职场

论坛电子赛事

社区活动专版

发烧友活动

-

嵌入式论坛

ARM龙8娱乐城官网论坛

Linux论坛

单片机/MCU论坛

MSP430龙8娱乐城官网论坛

FPGA|CPLD|ASIC论坛

STM32/STM8龙8娱乐城官网论坛

NXP MCU 龙8娱乐城官网论坛

DSP论坛

嵌入式系统论坛

-

电源龙8娱乐城官网论坛

电源龙8娱乐城官网论坛

无线充电龙8娱乐城官网

-

硬件龙8国际下载论坛

电路龙8国际下载论坛

电子元器件论坛

传感龙8娱乐城官网

总线龙8娱乐城官网|接口龙8娱乐城官网

-

测试测量论坛

LabVIEW论坛

Matlab论坛

测试测量龙8娱乐城官网专区

-

EDA龙8国际下载论坛

multisim论坛

PCB龙8国际下载论坛

PADS龙8娱乐城官网论坛

Protel|AD|DXP论坛

Allegro论坛

proteus论坛|仿真论坛

Orcad论坛

-

综合龙8娱乐城官网与应用

电机控制

工程资源中心

汽车电子龙8娱乐城官网论坛

医疗电子论坛

-

开源硬件

-

无线通信论坛

物联网龙8娱乐城官网

天线|RF射频|微波|雷达龙8娱乐城官网

-

IC龙8国际下载论坛

芯片测试与失效分析

Analog/RF IC龙8国际下载

龙8国际下载与制造封装测试

-

厂商专区

TI论坛

TI Deyisupport社区

-

检测龙8娱乐城官网与质量

电磁兼容(EMC)龙8国际下载与整改

安规知识论坛

检测与认证

-

消费电子论坛

手机龙8娱乐城官网论坛

平板电脑/mid论坛

音视/视频/机顶盒论坛

-

电子论坛综合区

聚丰众筹官方社区

新人报道区

聚丰供应链

-

论坛服务区

-

供求信息发布

方案交易

供需广告

芯片求购|供应发布区