2 lac 分词_中文分词

最近我们分享了一些关于分词的事情，对于琳琅满目的分词工具，我们到底该选择哪个呢？

这里有一个Java开源项目cws_evaluation，对中文分词做了评比，但有几点不足：(1). 只有java版本，但是机器学习主要是基于python的 (2).效果指标为行完美率和字完美率，该指标不妥，特别是句子越长，越无意义，(3). 每种分词工具评测的算法太多了，这里仅评比了默认的分词算法。

基于此，我做了一个java和python版本中文分词工具评比项目

项目简介

测试了java和python常见中文分词工具的效果和效率

java

Requirement

java8

步骤

git clone https://github.com/tiandiweizun/nlp-evaluation.git

cd nlp-evaluation/java

(windows)  .\gradlew.bat build   (linux)  ./gradlew build

java -Dfile.encoding=utf-8 -jar build/libs/nlp-evaluation-java-1.0.0.jar

说明

java -jar nlp-evaluation-java-1.0.0.jar 有3个参数，可以执行 java -jar nlp-evaluation-java-1.0.0.jar -h 查看

-i 分词文件，默认为data/seg.data_big文件,每行一个句子，每个词用空格分开，可以指定自己的测试集

-o 分词结果存储路径，默认不存储

-n 最大读取分词文件行数

-c 需要评估的分词器名称，用英文逗号隔开，默认HanLP，jieba，thulac，示例: -c=HanLP

由于斯坦福分词效果一般，速度极慢，且模型巨大，在打包的时候已经排除(不影响在IDE里面测试)， 打包如果要包含斯坦福分词，修改build.gradle，注释掉exclude(dependency('edu.stanford.nlp:stanford-corenlp'))

由于Word、Ansj、Jcseg、MMSeg4j存在bug(把词语拼接起来和原始句子不一样)，在代码里面已经注释掉了，不进行测试。

依赖的库均存在于maven中心仓库，像庖丁、复旦分词等找不到的，这里没有测试

测试效果

总行数:2533709 总字符数:28374490

segmentor

precision

recall

f1

speed(字符/ms)_windows

speed(字符/ms)_linux

0.900433

0.910614

0.905495

1034.470451

797.596346

0.852657

0.803263

0.827223

1774.181830

980.865943

0.884405

0.901930

0.893082

1449.749131

939.832732

经过多次测试发现，thulac在linux上速度不是特别稳定，最快与jiba差不多

开发者

建议使用idea打开或者导入java目录，把data目录拷贝到java目录，直接可以运行SegEvaluation调试。

可以打开stanford和其他分词器

评测自定义分词器：继承Seg类并实现segment方法，添加到evaluators即可。

python

Requirement

Python:3

其他参见 requirements.txt

步骤

1. git clone https://github.com/tiandiweizun/nlp-evaluation.git

2. cd nlp-evaluation

3. pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

4. cd python/indi.tiandi.nlp.evaluation

5. python3 SegEvaluation.py

说明

python3 SegEvaluation.py 有3个参数，可以执行 python3 SegEvaluation.py -h 查看

-i 分词文件，默认为data/seg.data_big文件,每行一个句子，每个词用空格分开，可以指定自己的测试集

-o 分词结果存储路径，默认不存储

-n 最大读取分词文件行数，由于python速度太慢，建议设置

-c 需要评估的分词器名称，用英文逗号隔开，默认pkuseg，jieba_fast，thulac

pynlpir存在bug(把词语拼接起来和原始句子不一样)，pyltp在windows上不易安装，这里都没有进行测试，比较慢的也没有测试

测试效果

总行数:2533709 总字符数:28374490

segmentor

precision

recall

f1

speed(字符/ms)_windows

speed(字符/ms)_linux

0.890170

0.886405

0.888284

34.077104

19.826954

0.855293

0.808204

0.831082

169.651694

104.554222

0.855299

0.808182

0.831073

408.241520

203.815985

0.848839

0.883031

0.865597

28.831738

16.565779

0.894885

0.908761

0.901770

---------

52.371131

0.811029

0.864835

0.837069

---------

1.947430

开发者

建议使用pycharm打开python目录，即可运行

如果需要使用pynlpir，需要修改pynlpir_path的安装目录

如果需要使用pyltp，需要修改ltp_data_dir的模型分词目录

评测自定义分词器：只要实现segment方法和向evaluators追加即可。

总结

性能：java 远高于python，至少差了一个数量级。

效果：对于jieba和thulac，在python和java上表现的不同，需要更多的时间去寻找原因，且java的thulac4j非官方提供。

数据：默认数据集来源于cws_evaluation，该项目为评估中文分词的性能与效果，对于效果该项目采用的是行完美率这个指标，但是对于长句，这个指标会变的不合适，如果不同算法的错误率不一样，但是如果有一个错的词，会导致整个句子都是错的，不能很好的区分算法的precision