Hanlp等七種優秀的開源中文分詞庫推薦

中文分詞是中文文本處理的基礎步驟，也是中文人機天然語言交互的基礎模塊。因爲中文句子中沒有詞的界限，所以在進行中文天然語言處理時，一般須要先進行分詞。

縱觀整個開源領域，陸陸續續作中文分詞的也有很多，不過目前仍在維護的且質量較高的並很少。下面整理了一些我的認爲比較優秀的中文分詞庫，以供你們參考使用。

一、HanLP —— 漢語言處理包

HanLP是一系列模型與算法組成的NLP工具包，由大快搜索主導並徹底開源，目標是普及天然語言處理在生產環境中的應用。HanLP具有功能完善、性能高效、架構清晰、語料時新、可自定義的特色。

HanLP提供下列功能：

• 中文分詞
•    HMM-Bigram（速度與精度最佳平衡；一百兆內存）
•        最短路分詞、N-最短路分詞
•    由字構詞（側重精度，可識別新詞；適合NLP任務）
•        感知機分詞、CRF分詞
•    詞典分詞（側重速度，每秒數千萬字符；省內存）
•        極速詞典分詞
•    全部分詞器都支持：
•        索引全切分模式
•        用戶自定義詞典
•        兼容繁體中文
•        訓練用戶本身的領域模型
•    詞性標註
•        HMM詞性標註（速度快）
•        感知機詞性標註、CRF詞性標註（精度高）
•    命名實體識別
•        基於HMM角色標註的命名實體識別 （速度快）
•            中國人名識別、音譯人名識別、日本人名識別、地名識別、實體機構名識別
•        基於線性模型的命名實體識別（精度高）
•            感知機命名實體識別、CRF命名實體識別
•    關鍵詞提取
•        TextRank關鍵詞提取
•    自動摘要
•        TextRank自動摘要
•    短語提取
•        基於互信息和左右信息熵的短語提取
•    拼音轉換
•        多音字、聲母、韻母、聲調
•    簡繁轉換
•        簡繁分歧詞（簡體、繁體、臺灣正體、香港繁體）
•    文本推薦
•        語義推薦、拼音推薦、字詞推薦
•    依存句法分析
•        基於神經網絡的高性能依存句法分析器
•        MaxEnt依存句法分析
•    文本分類
•        情感分析
•    word2vec
•        詞向量訓練、加載、詞語類似度計算、語義運算、查詢、KMeans聚類
•        文檔語義類似度計算
•    語料庫工具
•        默認模型訓練自小型語料庫，鼓勵用戶自行訓練。全部模塊提供訓練接口，語料可參考OpenCorpus。

在提供豐富功能的同時，HanLP內部模塊堅持低耦合、模型堅持惰性加載、服務堅持靜態提供、詞典堅持明文發佈，使用很是方便，同時自帶一些語料處理工具，幫助用戶訓練本身的模型。

2、jieba —— Python 中文分詞組件

「結巴」中文分詞，作最好的 Python 中文分詞組件。

特性

• 支持三種分詞模式：
•     精確模式，試圖將句子最精確地切開，適合文本分析；
•     全模式，把句子中全部的能夠成詞的詞語都掃描出來, 速度很是快，可是不能解決歧義；
•     搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提升召回率，適合用於搜索引擎分詞。
• 支持繁體分詞
• 支持自定義詞典

算法

• 基於前綴詞典實現高效的詞圖掃描，生成句子中漢字全部可能成詞狀況所構成的有向無環圖 (DAG)
• 採用了動態規劃查找最大機率路徑, 找出基於詞頻的最大切分組合
• 對於未登陸詞，採用了基於漢字成詞能力的 HMM 模型，使用了 Viterbi 算法

代碼示例

三、Jcseg —— 輕量級 Java 中文分詞器

Jcseg 是基於 mmseg 算法的一個輕量級中文分詞器，同時集成了關鍵字提取，關鍵短語提取，關鍵句子提取和文章自動摘要等功能，而且提供了一個基於 Jetty 的 web 服務器，方便各大語言直接 http 調用，同時提供了最新版本的 lucene, solr, elasticsearch 的分詞接口！Jcseg 自帶了一個 jcseg.properties 文件用於快速配置而獲得適合不一樣場合的分詞應用，例如：最大匹配詞長，是否開啓中文人名識別，是否追加拼音，是否追加同義詞等！

核心功能：

• 中文分詞：mmseg 算法 + Jcseg 首創的優化算法，四種切分模式。
• 關鍵字提取：基於 textRank 算法。
• 關鍵短語提取：基於 textRank 算法。
• 關鍵句子提取：基於 textRank 算法。
• 文章自動摘要：基於 BM25+textRank 算法。
• 自動詞性標註：基於詞庫+（統計歧義去除計劃），目前效果不是很理想，對詞性標註結果要求較高的應用不建議使用。
• 命名實體標註：基於詞庫+（統計歧義去除計劃），電子郵件，網址，大陸手機號碼，地名，人名，貨幣，datetime 時間，長度，面積，距離單位等。
• Restful api：嵌入 jetty 提供了一個絕對高性能的 server 模塊，包含所有功能的http接口，標準化 json 輸出格式，方便各類語言客戶端直接調用。

 

中文分詞模式：

六種切分模式

(1).簡易模式：FMM 算法，適合速度要求場合。

(2).複雜模式：MMSEG 四種過濾算法，具備較高的歧義去除，分詞準確率達到了 98.41%。

(3).檢測模式：只返回詞庫中已有的詞條，很適合某些應用場合。

(4).檢索模式：細粒度切分，專爲檢索而生，除了中文處理外（不具有中文的人名，數字識別等智能功能）其餘與複雜模式一致（英文，組合詞等）。

(5).分隔符模式：按照給定的字符切分詞條，默認是空格，特定場合的應用。

(6).NLP 模式：繼承自複雜模式，更改了數字，單位等詞條的組合方式，增長電子郵件，大陸手機號碼，網址，人名，地名，貨幣等以及無限種自定義實體的識別與返回。

四、sego —— Go 中文分詞

sego 是一個 Go 中文分詞庫，詞典用雙數組 trie（Double-Array Trie）實現， 分詞器算法爲基於詞頻的最短路徑加動態規劃。

支持普通和搜索引擎兩種分詞模式，支持用戶詞典、詞性標註，可運行 JSON RPC 服務。

分詞速度單線程 9MB/s，goroutines 併發 42MB/s（8核 Macbook Pro）。

示例代碼：

五、 FoolNLTK —— 多是最準的開源中文分詞

中文處理工具包

特色

• 可能不是最快的開源中文分詞，但極可能是最準的開源中文分詞
• 基於 BiLSTM 模型訓練而成
• 包含分詞，詞性標註，實體識別,　都有比較高的準確率
• 用戶自定義詞典
• 可訓練本身的模型
• 批量處理

定製本身的模型

六、Ansj 中文分詞 —— 基於 n-Gram+CRF+HMM 的中文分詞的 Java 實現

Ansj 中文分詞是一個基於 n-Gram+CRF+HMM 的中文分詞的 java 實現。分詞速度達到每秒鐘大約200萬字左右（mac air下測試），準確率能達到96%以上。目前實現了中文分詞、中文姓名識別、用戶自定義詞典、關鍵字提取、自動摘要、關鍵字標記等功能，能夠應用到天然語言處理等方面，適用於對分詞效果要求高的各類項目。

下面是一個簡單的分詞效果，僅作參考：

七、word 分詞 —— Java 分佈式中文分詞組件

word 分詞是一個 Java 實現的分佈式的中文分詞組件，提供了多種基於詞典的分詞算法，並利用 ngram 模型來消除歧義。能準確識別英文、數字，以及日期、時間等數量詞，能識別人名、地名、組織機構名等未登陸詞。能經過自定義配置文件來改變組件行爲，能自定義用戶詞庫、自動檢測詞庫變化、支持大規模分佈式環境，能靈活指定多種分詞算法，能使用refine功能靈活控制分詞結果，還能使用詞頻統計、詞性標註、同義標註、反義標註、拼音標註等功能。提供了10種分詞算法，還提供了10種文本類似度算法，同時還無縫和 Lucene、Solr、ElasticSearch、Luke 集成。注意：word1.3 須要 JDK1.8 。

分詞算法效果評估：

 

轉載自編輯部的故事的我的空間