1.ansj
ansj是ictclas(中科院分词)的java实现.基本上重写了所有的数据结构和算法.词典是用的开源版的ictclas所提供的.并且进行了部分的人工优化
内存中中文分词每秒钟大约100万字(速度上已经超越ictclas)
文件读取分词每秒钟大约30万字
准确率能达到96%以上
目前实现了: 1.中文分词 2.中文姓名识别 3.用户自定义词典
可以应用到自然语言处理等方面,适用于对分词效果要求高的各种项目.
入门sample
public static void main(String[] agrs){
String text = "我要碎觉超级困";
//未定义词典分词
System.out.println(ToAnalysis.parse(text));
//自定义词典 参数依次为:自定义词,词性,词频(值越大,重要度越高)
UserDefineLibrary.insertWord("碎觉", "n", 1000);
//定义词典后,分词
System.out.println(ToAnalysis.parse(text));
}
2.hanlp
hanlp由一系列模型与算法组成的Java工具包,目标是促进自然语言处理在生产环境中的应用。
HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。
和ansj相比,hanlp在功能上的扩展主要体现在以下几个方面:
•关键词提取
•自动摘要
•短语提取
•拼音转换
•简繁转换
•文本推荐
词语推荐部分的sample&#x