自然语言处理技术的基础技术:中文分词经过艰苦的研发,终于发布了。中文分词是互联网应用不可缺少的基础技术之一,也是语音和语言产品必不可少的技术组件。

自2 003年第一届国际中文分词评测以来,由字构词的分词方法获得了压倒性优势,国内主要通过CRF++开源软件包来学习该分词方法,但是CRF++过于复杂的代码结构,导致了该算法的普及率。本次首先发布了 CRF中文分词开源版仅仅包含CRF++软件包中分词×××部分,简化了CRF++复杂代码结构,清除了分词×××不需要的代码,大大提高了分词×××的可读性和可懂度。同时为了方便学习者可视化跟踪和调试代码,在 Windows平台下分别建立了VC6.0和VS20 08两个工程文件,使得VC6.0用户和VS2008用户都能轻玩转中文分词。
 
开源包中的分词知识库较小,分词精度较低,仅供学习Crf分词算法使用。后续将继续发布更高精度和更高速度分词引擎。