lawa[1]是一个基于法律语料的中文分词工具,其中文名“法阿”,工具目标是做最好的 Python 法律中文分词组件。
特点支持三种分词模式:精确模式,试图将句子最精确地切开,适合文本分析;
全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
支持简体分词
支持自定义词典
MIT 授权协议
安装说明代码对 Python 2/3 均兼容
全自动安装: easy_install lawa 或者 pip install lawa / pip3 install lawa
半自动安装:先下载 https://pypi.python.org/pypi/lawa/ ,或github[2],解压后运行 python setup.py install
手动安装:将 lawa 目录放置于当前目录或者 site-packages 目录
通过 import lawa 来引用
算法基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
对于未登录词,采用了基于汉字成词能力的 HMM 模型,使用了 Viterbi 算法
主要功能分词lawa.cut 方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用 HMM 模型;
lawa.cut_fo