python 中文分词工具

python 中文分词工具

• jieba，https://github.com/fxsjy/jieba
• jieba_fast，https://github.com/deepcs233/jieba_fast
• nltk，https://github.com/nltk/nltk
• FoolNLTK，https://github.com/rockyzhengwu/FoolNLTK/blob/master/README_CH.md
• thulac，https://github.com/thunlp/THULAC-Python
• genius，https://github.com/duanhongyi/genius
• snownlp，https://github.com/isnowfy/snownlp
• pynlpir，https://github.com/tsroten/pynlpir

---

jieba

“结巴”中文分词：https://github.com/fxsjy/jieba
算法
1）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)；
2）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；
3）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。

1、分词

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。