结巴分词有前空格_准确率秒杀结巴分词，北大开源全新中文分词工具包PKUSeg

开源最前线(ID&＃xff1a;OpenSourceTop) 猿妹整编

分词技术是一种比较基础的模块&＃xff0c;就英文而言&＃xff0c;词与词之间通常由空格分开&＃xff0c;因此英文分词则要简单的多&＃xff0c;但中文和英文的词是有区别的&＃xff0c;再加上中国文化的博大精深&＃xff0c;分词的时候要考虑的情况比英文分词要复杂的多&＃xff0c;如果处理不好就会直接影响到后续词性标注、句法分析等的准确性&＃xff0c;

目前&＃xff0c;我们最常用的分词工具大概有四种哈工大LTP、中科院计算所NLPIR、清华大学THULAC和jieba。

不过最近&＃xff0c;北大开源了一个中文分词工具包&＃xff0c;名为 —— PKUSeg&＃xff0c;基于Python。据介绍其准确率秒杀THULAC和结巴分词等工具。

一经开源&＃xff0c;pkuseg已经在GitHub上获得 1738 个Star&＃xff0c;244 个Fork(GitHub地址&＃xff1a;https://github.com/lancopku/PKUSeg-python)

pkuseg具有如下几个特点&＃xff1a;

• 多领域分词&＃xff1a;不同于以往的通用中文分词工具&＃xff0c;此工具包同时致力于为不同领域的数据提供个性化的预训练模型。根据待分词文本的领域特点&＃xff0c;用户可以自由地选择不同的模型。 我们目前支持了新闻领域&＃xff0c;网络文本领域和混合领域的分词预训练模型&＃xff0c;同时也拟在近期推出更多的细领域预训练模型&＃xff0c;比如医药、旅游、专利、小说等等。

• 更高的分词准确率&＃xff1a;相比于其他的分词工具包&＃xff0c;当使用相同的训练数据和测试数据&＃xff0c;pkuseg可以取得更高的分词准确率。

• 支持用户自训练模型&＃xff1a;支持用户使用全新的标注数据进行训练。

各类分词工具包的性能对比

前面有提到说pkuseg的准确率远超其他分词工具包&＃xff0c;现在就是用数据说话的时候了&＃xff0c;下面就是在 Linux 环境下&＃xff0c;各工具在新闻数据 (MSRA) 和混合型文本 (CTB8) 数据上的准确率测试情况

测试使用的是第二届国际汉语分词评测比赛提供的分词评价脚本&＃xff0c;从上图看出结巴分词准确率最低&＃xff0c;

跨领域测试结果

以下是在其它领域进行测试&＃xff0c;以模拟模型在“黑盒数据”上的分词效果。

默认模型在不同领域的测试效果

以下是各个工具包的默认模型在不同领域的测试效果

使用方式

代码示例1&＃xff1a;使用默认模型及默认词典分词

import pkuseg

seg &＃61; pkuseg.pkuseg()                                  # 以默认配置加载模型
text &＃61; seg.cut(&＃39;我爱北京天安门&＃39;)                        # 进行分词
print(text)


代码示例2&＃xff1a;设置用户自定义词典

import pkuseg

lexicon &＃61; [&＃39;北京大学&＃39;, &＃39;北京天安门&＃39;]                     # 希望分词时用户词典中的词固定不分开
seg &＃61; pkuseg.pkuseg(user_dict&＃61;lexicon)                  # 加载模型&＃xff0c;给定用户词典
text &＃61; seg.cut(&＃39;我爱北京天安门&＃39;)                         # 进行分词
print(text)


代码示例3&＃xff1a;使用其它模型

import pkuseg

seg &＃61; pkuseg.pkuseg(model_name&＃61;&＃39;./ctb8&＃39;)                # 假设用户已经下载好了ctb8的模型
                                                        # 并放在了&＃39;./ctb8&＃39;目录下&＃xff0c;通过设置model_name加载该模型
text &＃61; seg.cut(&＃39;我爱北京天安门&＃39;)                         # 进行分词
print(text)


代码示例4&＃xff1a;对文件分词

import pkuseg

pkuseg.test(&＃39;input.txt&＃39;, &＃39;output.txt&＃39;, nthread&＃61;20)     # 对input.txt的文件分词输出到output.txt中&＃xff0c;
                                                       # 使用默认模型和词典&＃xff0c;开20个进程


代码示例5&＃xff1a;训练新模型

import pkuseg

# 训练文件为&＃39;msr_training.utf8&＃39;
# 测试文件为&＃39;msr_test_gold.utf8&＃39;
# 模型存到&＃39;./models&＃39;目录下&＃xff0c;开20个进程训练模型
pkuseg.train(&＃39;msr_training.utf8&＃39;, &＃39;msr_test_gold.utf8&＃39;, &＃39;./models&＃39;, nthread&＃61;20)    


此外&＃xff0c;pkuseg提供了三种在不同类型数据上训练得到的模型&＃xff0c;根据具体需要&＃xff0c;用户可以选择不同的预训练模型&＃xff1a;

MSRA&＃xff1a;在MSRA(新闻语料)上训练的模型。

下载地址&＃xff1a;https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

CTB8&＃xff1a;在CTB8(新闻文本及网络文本的混合型语料)上训练的模型。随pip包附带的是此模型。

下载地址&＃xff1a;https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

WEIBO&＃xff1a;在微博(网络文本语料)上训练的模型。

下载地址&＃xff1a;https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

最后附上前面提到的另外四大分词工具的GitHub地址&＃xff1a;

1、LTP&＃xff1a;https://github.com/HIT-SCIR/ltp

2、NLPIR&＃xff1a;https://github.com/NLPIR-team/NLPIR

3、THULAC&＃xff1a;https://github.com/thunlp/THULAC

4、jieba&＃xff1a;https://github.com/yanyiwu/cppjieba

●编号510&＃xff0c;输入编号直达本文

●输入m获取文章目录