Friso是使用c语言开发的u一款开源中文分词器,使用流行的mmseg算法实现。完全基于模块化设计和实现,可以很方便的植入其他程序中,例如:MySQL,PHP,源码无需修改就能在各种平台下编译使用,并且提供了一个php的扩展: robbe. 同时 支持对UTF-8/GBK编码的切分 .
1. friso_stirng.c#utf8_decimal_string初始化bytes = 0, 去除WinNT的Run-Time Check Failed.
2. 复杂英文和数字组合的二次切分.
Friso认为数字和字母组合在一起肯定有其特殊的含义,所以要保留。同时这个功能可以避免检索命中率的下降。 例如: QQ2013会被切分成: qq2013, qq, 2013, chenxin619315@gmail.com会被切分成:chenxin/ 619315/ gmail/ com/ chenxin619315@gmail.com
3. GBK编码支持.
出于实际应用的考虑,编码支持被设计为全局的,也就是创建Friso的时候就必须制定编码。如果你的项目有出现要同时支持GBK和UTF-8的情况,可以创建一个GBK的Friso和一个UTF-8的Friso。
4. 增加了friso.ini中自定义保留标点, 去除了默认对"^,/,-,’"等标点的保留。
有利于自定义去识别一些复杂词条,例如:c++, k&r。
5. 使用掩码操作控制变量来代替了原来的多个控制变量.
6. 切分结果friso_hits_t中增加了对词条类别和词条长度的返回,纠正了offset的误差。
7. 做了一些优化,例如:同义词的追加(普通/sphinx定义)复杂的判断逻辑,改为了使用掩码状态控制,不仅减少了代码量还提高了执行效率。
8. 更多的返回信息, 增加了对切分词条的类别,长度,真实长度,词性(待实现)等信息的返回。 同时很遗憾的 @海盗船长.pk 这个版本中没能真正的实现词性标注。
9. 增加了安装中头文件的自动拷贝(usr/include/friso),可以通过include 来引用头文件。
感谢网友的关注和反馈,祝您工作愉快。。。
本文转载自:开源中国新闻
欢迎加入我爱机器学习QQ14群:336582044
微信扫一扫,关注我爱机器学习公众号