中文分词器 jcseg

jcseg是使用Java开发的一个中文分词器，使用流行的mmseg算法实现。

1。目前最高版本：jcseg 1.7.0。 兼容最高版本的lucene。

2。mmseg四种过滤算法，分词准确率达到了97%以上。

3。支持自定义词库。在lexicon文件夹下，可以随便添加/删除/更改词库和词库内容，并且对词库进行了分类。如何给jcseg添加词库/新词。

4。词库整合了《现代汉语词典》和cc-cedict辞典中的词条，并且依据cc-cedict词典为词条标上了拼音，依据《中华同义词词典》为词条标上了同义词(尚未完成)。更改jcseg.properties配置文档可以在分词的时候加入拼音和同义词到分词结果中。(1.7.0版后)，jcseg新版词库

5。中文数字和中文分数识别，例如："一百五十个人都来了，四十分之一的人。"中的"四五十"和"四十分之一"。并且jcseg会自动将其转换为阿拉伯数字加入到分词结果中。如：150， 1/40。(1.7.0版后)

6。支持中英混合词的识别。例如：B超, x射线。

7。更好的英文支持，电子邮件，网址，小数，分数，百分数的识别。(这个对购物网站来说很重要, 1.7.0版后)。

8。支持基本单字单位的识别，例如2012年。

9。智能圆角半角转换。

10。特殊字母识别：例如：Ⅰ，Ⅱ

11。特殊数字识别：例如：①，⑩

12。配对标点内容提取：例如：最好的Java书《java编程思想》，‘畅想杯黑客技术大赛’，被《,‘,“,『标点标记的内容。(1.6.8版开始支持)。

13。智能中文人名识别。中文人名识别正确率达94%以上。（可以维护lex-lname.lex，lex-dname-1.lex，lex-dname-2.lex来提高准确率）。

14。词性标注正在完善中(缺少兼词词库，希望有的朋友可以给我发一份)。

jcseg佩带了一个jcseg.properties文件，只要有使用文本编辑器你就可以自主的编辑里面的选项，配置适合不同场合的分词应用。例如：最大匹配词数，是否开启中文人名识别，是否记载词条拼音，是否载入词条同义词等等。

详细了解：http://code.google.com/p/jcseg

下载jcseg：http://code.google.com/p/jcseg/downloads/list