python文本分析的开源工具_百度的中文开源词法分析工具（LAC）

工具介绍

LAC全称Lexical Analysis of Chinese，是百度自然语言处理部研发的一款联合的词法分析工具，实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势：

效果好：通过深度学习模型联合学习分词、词性标注、专名识别任务，整体效果F1值超过0.91，词性标注F1值超过0.94，专名识别F1值超过0.85，效果业内领先。

效率高：精简模型参数，结合Paddle预测库的性能优化，CPU单线程性能达800QPS，效率业内领先。

可定制：实现简单可控的干预机制，精准匹配用户词典对模型进行干预。词典支持长片段形式，使得干预更为精准。

调用便捷：支持一键安装，同时提供了Python、Java和C++调用接口与调用示例，实现快速调用和集成。

支持移动端: 定制超轻量级模型，体积仅为2M，主流千元手机单线程性能达200QPS，满足大多数移动端应用的需求，同等体积量级效果业内领先。

安装与使用

在此我们主要介绍Python安装与使用，其他语言使用：

安装说明

代码兼容Python2/3

全自动安装: pip install lac

半自动下载：先下载http://pypi.python.org/pypi/lac/，解压后运行 python setup.py install

安装完成后可在命令行输入lac或lac --segonly启动服务，进行快速体验

国内网络可使用百度源安装，安装速率更快：pip install lac -i https://mirror.baidu.com/pypi/simple

功能与使用

分词

代码示例：

from LAC import LAC

# 装载分词模型

lac = LAC(mode='seg')

# 单个样本输入，输入为Unicode编码的字符串

text = u"LAC是个优秀的分词工具"

seg_result = lac.run(text)

# 批量样本输入, 输入为多个句子组成的list，平均速率会更快

texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]

seg_result = lac.run(texts)

输出：

【单样本】：seg_result = [LAC, 是, 个, 优秀, 的, 分词, 工具]

【批量样本】：seg_result = [[LAC, 是, 个, 优秀, 的, 分词, 工具], [百度, 是, 一家, 高科技, 公司]]

词性标注与实体识别

代码示例：

from LAC import LAC

# 装载LAC模型

lac = LAC(mode='lac')

# 单个样本输入，输入为Unicode编码的字符串

text = u"LAC是个优秀的分词工具"

lac_result = lac.run(text)

# 批量样本输入, 输入为多个句子组成的list，平均速率更快

texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]

lac_result = lac.run(texts)

输出：

每个句子的输出其切词结果word_list以及对每个单词的标注tags_list，其格式为（word_list, tags_list)

【单样本】： lac_result = ([百度, 是, 一家, 高科技, 公司], [ORG, v, m, n, n])

【批量样本】：lac_result = [

([百度, 是, 一家, 高科技, 公司], [ORG, v, m, n, n]),

([LAC, 是, 个, 优秀, 的, 分词, 工具], [nz, v, q, a, u, n, n])

]

词性和专名类别标签集合如下表，其中我们将最常用的4个专名类别标记为大写的形式：

标签

含义

标签

含义

标签

含义

标签

含义

n

普通名词

f

方位名词

s

处所名词

nw

作品名

nz

其他专名

v

普通动词

vd

动副词

vn

名动词

a

形容词

ad

副形词

an

名形词

d

副词

m

数量词

q

量词

r

代词

p

介词

c

连词

u

助词

xc

其他虚词

w

标点符号

PER

人名

LOC

地名

ORG

机构名

TIME

时间

定制化功能

在模型输出的基础上，LAC还支持用户配置定制化的切分结果和专名类型输出。当模型预测匹配到词典的中的item时，会用定制化的结果替代原有结果。为了实现更加精确的匹配，我们支持以由多个单词组成的长片段作为一个item。

我们通过装载词典文件的形式实现该功能，词典文件每行表示一个定制化的item，由一个单词或多个连续的单词组成，每个单词后使用'/'表示标签，如果没有'/'标签则会使用模型默认的标签。每个item单词数越多，干预效果会越精准。

词典文件示例

这里仅作为示例，展现各种需求情况下的结果。后续还将开放以通配符配置词典的模式，敬请期待。

春天/SEASON

花/n 开/v

秋天的风

落 阳

代码示例

from LAC import LAC

lac = LAC()

# 装载干预词典

lac.load_customization('custom.txt')

# 干预后结果

custom_result = lac.run(u"春天的花开秋天的风以及冬天的落阳")

以输入“春天的花开秋天的风以及冬天的落阳”为例，原本输出结果为：

春天/TIME 的/u 花开/v 秋天/TIME 的/u 风/n 以及/c 冬天/TIME 的/u 落阳/n

添加示例中的词典文件后的结果为：

春天/SEASON 的/u 花/n 开/v 秋天的风/n 以及/c 冬天/TIME 的/u 落/n 阳/n

增量训练

我们也提供了增量训练的接口，用户可以使用自己的数据，进行增量训练，首先需要将数据转换为模型输入的格式，并且所有数据文件均为"UTF-8"编码：

1. 分词训练

数据样例

与大多数开源分词数据集格式一致，使用空格作为单词切分标记，如下所示：

LAC 是 个 优秀 的 分词 工具 。

百度 是 一家 高科技 公司 。

春天 的 花开 秋天 的 风 以及 冬天 的 落阳 。

代码示例

from LAC import LAC

# 选择使用分词模型

lac = LAC(mode = 'seg')

# 训练和测试数据集，格式一致

train_file = "./data/seg_train.tsv"

test_file = "./data/seg_test.tsv"

lac.train(model_save_dir='./my_seg_model/',train_data=train_file, test_data=test_file)

# 使用自己训练好的模型

my_lac = LAC(model_path='my_seg_model')

2. 词法分析训练

样例数据

在分词数据的基础上，每个单词以“/type”的形式标记其词性或实体类别。值得注意的是，词法分析的训练目前仅支持标签体系与我们一致的数据。后续也会开放支持新的标签体系，敬请期待。

LAC/nz 是/v 个/q 优秀/a 的/u 分词/n 工具/n 。/w

百度/ORG 是/v 一家/m 高科技/n 公司/n 。/w

春天/TIME 的/u 花开/v 秋天/TIME 的/u 风/n 以及/c 冬天/TIME 的/u 落阳/n 。/w

代码示例

from LAC import LAC

# 选择使用默认的词法分析模型

lac = LAC()

# 训练和测试数据集，格式一致

train_file = "./data/lac_train.tsv"

test_file = "./data/lac_test.tsv"

lac.train(model_save_dir='./my_lac_model/',train_data=train_file, test_data=test_file)

# 使用自己训练好的模型

my_lac = LAC(model_path='my_lac_model')

文件结构

.

├── python # Python调用的脚本

├── c++ # C++调用的代码

├── java # Java调用的代码

├── Android # Android调用的示例

├── README.md # 本文件

└── CMakeList.txt # 编译C++和Java调用的脚本

在论文中引用LAC

如果您的学术工作成果中使用了LAC，请您增加下述引用。我们非常欣慰LAC能够对您的学术工作带来帮助。

@article{jiao2018LAC,

title={Chinese Lexical Analysis with Deep Bi-GRU-CRF Network},

author={Jiao, Zhenyu and Sun, Shuqi and Sun, Ke},

journal={arXiv preprint arXiv:1807.01882},

year={2018},

url={https://arxiv.org/abs/1807.01882}

}

贡献代码

我们欢迎开发者向LAC贡献代码。如果您开发了新功能，发现了bug……欢迎提交Pull request与issue到Github。