中文分词评测
4种基于Python第三方库的的中文分词方案的速度和精度。
- jieba https://github.com/fxsjy/jieba
- THULAC-Python https://github.com/thunlp/THULAC-Python
- pynlpir https://github.com/tsroten/pynlpir
- pyltp https://github.com/HIT-SCIR/pyltp
测试环境:2.9 GHz Intel Core i5
评测数据
采用SIGHAN(国际计算语言学会(ACL)中文语言处理小组)举办的国际中文语言处理竞赛Second International Chinese Word Segmentation Bakeoff所提供的公开数据进行评测,该数据及包含了多个测试集以及对应的黄金标准分词结果。
jieba
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。
(注:测评采用默认的精确模式)
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
代码示例
# encoding=utf-8
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
print(", ".join(seg_list))
Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/s2/v6w20k414qn4g_y4d_8972ww0000gn/T/jieba.cache
Loading model cost 0.926 seconds.
Prefix dict has been built succesfully.
Default Mode: 我/ 来到/ 北京/ 清华大学
他, 来到, 了, 网易, 杭研, 大厦
自定义词典
- 开发者可以指定自己自定义的词典,以便包含 jieba 词库里没有的词。行添加新词可以保证更高的正确率
- 用法:
jieba.load_userdict(file_name) # file_name
为文件类对象或自定义词典的路径 - 词典格式:一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。
THULAC-Python
THULAC(THU Lexical Analyzer for Chinese)由清华大学自然语言处理与社会人文计算实验室研制推出的一套中文词法分析工具包,具有中文分词和词性标注功能。
该工具目前仅处理UTF8编码中文文本
代码示例
import thulac
thu1 = thulac.thulac(seg_only=True) #默认模式,只进行分词,不进行词性标注
text = thu1.cut("我爱北京天安门", text=True) #进行一句话分词
print(text)
Model loaded succeed
我 爱 北京 天安门
用户词典
初始化程序,进行自定义设置
thulac(user_dict=None, model_path=None,