devbox
Gausst松鼠会
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Java中文分词组件 - word分词

作者：Gausst松鼠会 | 2024-04-08 01:29:49

赞

踩

wordsegmenter.设置停用词

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

Java分布式中文分词组件 - word分词

word分词是一个Java实现的分布式的中文分词组件，提供了多种基于词典的分词算法，并利用ngram模型来消除歧义。能准确识别英文、数字，以及日期、时间等数量词，能识别人名、地名、组织机构名等未登录词。能通过自定义配置文件来改变组件行为，能自定义用户词库、自动检测词库变化、支持大规模分布式环境，能灵活指定多种分词算法，能使用refine功能灵活控制分词结果，还能使用词性标注、同义标注、反义标注、拼音标注等功能。同时还无缝和Lucene、Solr、ElasticSearch、Luke集成。注意：word1.3需要JDK1.8

API在线文档：

word 1.0 API

word 1.1 API

word 1.2 API

编译好的jar包下载（包含依赖）：

word 1.0

word 1.1

word 1.2

Maven依赖：

在pom.xml中指定dependency，可用版本有1.0、1.1、1.2：

  1. <dependencies>
  2.     <dependency>
  3.         <groupId>org.apdplat</groupId>
  4.         <artifactId>word</artifactId>
  5.         <version>1.2</version>
  6.     </dependency>
  7. </dependencies>

分词使用方法：

1、快速体验
  1. 运行项目根目录下的脚本demo-word.bat可以快速体验分词效果
  2. 用法: command [text] [input] [output]
  3. 命令command的可选值为：demo、text、file
  4. demo
  5. text 杨尚川是APDPlat应用级产品开发平台的作者
  6. file d:/text.txt d:/word.txt
  7. exit
2、对文本进行分词
  1. 移除停用词：List<Word> words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者");
  2. 保留停用词：List<Word> words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者");
  3.             System.out.println(words);
  4.  
  5. 输出：
  6. 移除停用词：[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]
  7. 保留停用词：[杨尚川, 是, apdplat, 应用级, 产品, 开发平台, 的, 作者]
3、对文件进行分词
  1. String input = "d:/text.txt";
  2. String output = "d:/word.txt";
  3. 移除停用词：WordSegmenter.seg(new File(input), new File(output));
  4. 保留停用词：WordSegmenter.segWithStopWords(new File(input), new File(output));
4、自定义配置文件
  1. 默认配置文件为类路径下的word.conf，打包在word-x.x.jar中
  2. 自定义配置文件为类路径下的word.local.conf，需要用户自己提供
  3. 如果自定义配置和默认配置相同，自定义配置会覆盖默认配置
  4. 配置文件编码为UTF-8
5、自定义用户词库
  1. 自定义用户词库为一个或多个文件夹或文件，可以使用绝对路径或相对路径
  2. 用户词库由多个词典文件组成，文件编码为UTF-8
  3. 词典文件的格式为文本文件，一行代表一个词
  4. 可以通过系统属性或配置文件的方式来指定路径，多个路径之间用逗号分隔开
  5. 类路径下的词典文件，需要在相对路径前加入前缀classpath:
  6.  
  7. 指定方式有三种：
  8.     指定方式一，编程指定（高优先级）：
  9.         WordConfTools.set("dic.path", "classpath:dic.txt，d:/custom_dic");
  10.         DictionaryFactory.reload();//更改词典路径之后，重新加载词典
  11.     指定方式二，Java虚拟机启动参数（中优先级）：
  12.         java -Ddic.path=classpath:dic.txt，d:/custom_dic
  13.     指定方式三，配置文件指定（低优先级）：
  14.         使用类路径下的文件word.local.conf来指定配置信息
  15.         dic.path=classpath:dic.txt，d:/custom_dic
  16.  
  17. 如未指定，则默认使用类路径下的dic.txt词典文件
6、自定义停用词词库
  1. 使用方式和自定义用户词库类似，配置项为：
  2. stopwords.path=classpath:stopwords.txt，d:/custom_stopwords_dic
7、自动检测词库变化
  1. 可以自动检测自定义用户词库和自定义停用词词库的变化
  2. 包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径
  3. 如：
  4. classpath:dic.txt，classpath:custom_dic_dir,
  5. d:/dic_more.txt，d:/DIC_DIR，D:/DIC2_DIR，my_dic_dir，my_dic_file.txt
  6.  
  7. classpath:stopwords.txt，classpath:custom_stopwords_dic_dir，
  8. d:/stopwords_more.txt，d:/STOPWORDS_DIR，d:/STOPWORDS2_DIR，stopwords_dir，remove.txt
8、显式指定分词算法
  1. 对文本进行分词时，可显式指定特定的分词算法，如：
  2. WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching);
  3.  
  4. SegmentationAlgorithm的可选类型为：   
  5. 正向最大匹配算法：MaximumMatching
  6. 逆向最大匹配算法：ReverseMaximumMatching
  7. 正向最小匹配算法：MinimumMatching
  8. 逆向最小匹配算法：ReverseMinimumMatching
  9. 双向最大匹配算法：BidirectionalMaximumMatching
  10. 双向最小匹配算法：BidirectionalMinimumMatching
  11. 双向最大最小匹配算法：BidirectionalMaximumMinimumMatching
  12. 全切分算法：FullSegmentation
  13. 最少分词算法：MinimalWordCount
  14. 最大Ngram分值算法：MaxNgramScore
9、分词效果评估
  1. 运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估
  2. 评估采用的测试文本有253 3709行，共2837 4490个字符
  3. 评估结果位于target/evaluation目录下：
  4. corpus-text.txt为分好词的人工标注文本，词之间以空格分隔
  5. test-text.txt为测试文本，是把corpus-text.txt以标点符号分隔为多行的结果
  6. standard-text.txt为测试文本对应的人工标注文本，作为分词是否正确的标准
  7. result-text-***.txt，***为各种分词算法名称，这是word分词结果
  8. perfect-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准完全一致的文本
  9. wrong-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准不一致的文本
10、分布式中文分词器
  1. 1、在自定义配置文件word.conf或word.local.conf中指定所有的配置项*.path使用HTTP资源，同时指定配置项redis.*
  2. 2、配置并启动提供HTTP资源的web服务器，将项目：https://github.com/ysc/word_web部署到tomcat
  3. 3、配置并启动redis服务器
11、词性标注（1.3才有这个功能）
  1. 将分词结果作为输入参数，调用PartOfSpeechTagging类的process方法，词性保存在Word类的partOfSpeech字段中
  2. 如下所示：
  3. List<Word> words = WordSegmenter.segWithStopWords("我爱中国");
  4. System.out.println("未标注词性："+words);
  5. //词性标注
  6. PartOfSpeechTagging.process(words);
  7. System.out.println("标注词性："+words);
  8. 输出内容：
  9. 未标注词性：[我, 爱, 中国]
  10. 标注词性：[我/r, 爱/v, 中国/ns]
12、refine
  1. 我们看一个切分例子：
  2. List<Word> words = WordSegmenter.segWithStopWords("我国工人阶级和广大劳动群众要更加紧密地团结在党中央周围");
  3. System.out.println(words);
  4. 结果如下：
  5. [我国, 工人阶级, 和, 广大, 劳动群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围]
  6. 假如我们想要的切分结果是：
  7. [我国, 工人, 阶级, 和, 广大, 劳动, 群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围]
  8. 也就是要把“工人阶级”细分为“工人 阶级”，把“劳动群众”细分为“劳动 群众”，那么我们该怎么办呢？
  9. 我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容：
  10. 工人阶级=工人 阶级
  11. 劳动群众=劳动 群众
  12. 然后，我们对分词结果进行refine：
  13. words = WordRefiner.refine(words);
  14. System.out.println(words);
  15. 这样，就能达到我们想要的效果：
  16. [我国, 工人, 阶级, 和, 广大, 劳动, 群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围]
  17.  
  18. 我们再看一个切分例子：
  19. List<Word> words = WordSegmenter.segWithStopWords("在实现“两个一百年”奋斗目标的伟大征程上再创新的业绩");
  20. System.out.println(words);
  21. 结果如下：
  22. [在, 实现, 两个, 一百年, 奋斗目标, 的, 伟大, 征程, 上, 再创, 新的, 业绩]
  23. 假如我们想要的切分结果是：
  24. [在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩]
  25. 也就是要把“两个 一百年”合并为“两个一百年”，把“伟大, 征程”合并为“伟大征程”，那么我们该怎么办呢？
  26. 我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容：
  27. 两个 一百年=两个一百年
  28. 伟大 征程=伟大征程
  29. 然后，我们对分词结果进行refine：
  30. words = WordRefiner.refine(words);
  31. System.out.println(words);
  32. 这样，就能达到我们想要的效果：
  33. [在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩]
13、同义标注
  1. List<Word> words = WordSegmenter.segWithStopWords("楚离陌千方百计为无情找回记忆");
  2. System.out.println(words);
  3. 结果如下：
  4. [楚离陌, 千方百计, 为, 无情, 找回, 记忆]
  5. 做同义标注：
  6. SynonymTagging.process(words);
  7. System.out.println(words);
  8. 结果如下：
  9. [楚离陌, 千方百计[久有存心, 化尽心血, 想方设法, 费尽心机], 为, 无情, 找回, 记忆[影象]]
  10. 如果启用间接同义词：
  11. SynonymTagging.process(words, false);
  12. System.out.println(words);
  13. 结果如下：
  14. [楚离陌, 千方百计[久有存心, 化尽心血, 想方设法, 费尽心机], 为, 无情, 找回, 记忆[影像, 影象]]
  15.  
  16. List<Word> words = WordSegmenter.segWithStopWords("手劲大的老人往往更长寿");
  17. System.out.println(words);
  18. 结果如下：
  19. [手劲, 大, 的, 老人, 往往, 更, 长寿]
  20. 做同义标注：
  21. SynonymTagging.process(words);
  22. System.out.println(words);
  23. 结果如下：
  24. [手劲, 大, 的, 老人[白叟], 往往[常常, 每每, 经常], 更, 长寿[长命, 龟龄]]
  25. 如果启用间接同义词：
  26. SynonymTagging.process(words, false);
  27. System.out.println(words);
  28. 结果如下：
  29. [手劲, 大, 的, 老人[白叟], 往往[一样平常, 一般, 凡是, 寻常, 常常, 常日, 平凡, 平居, 平常, 平日, 平时, 往常, 日常, 日常平凡, 时常, 普通, 每每, 泛泛, 素日, 经常, 通俗, 通常], 更, 长寿[长命, 龟龄]]
  30.  
  31. 以词“千方百计”为例：
  32. 可以通过Word的getSynonym()方法获取同义词如：
  33. System.out.println(word.getSynonym());
  34. 结果如下：
  35. [久有存心, 化尽心血, 想方设法, 费尽心机]
  36. 注意：如果没有同义词，则getSynonym()返回空集合：Collections.emptyList()
  37.  
  38. 间接同义词和直接同义词的区别如下：
  39. 假设：
  40. A和B是同义词，A和C是同义词，B和D是同义词，C和E是同义词
  41. 则：
  42. 对于A来说，A B C是直接同义词
  43. 对于B来说，A B D是直接同义词
  44. 对于C来说，A C E是直接同义词
  45. 对于A B C来说，A B C D E是间接同义词
14、反义标注
  1. List<Word> words = WordSegmenter.segWithStopWords("5月初有哪些电影值得观看");
  2. System.out.println(words);
  3. 结果如下：
  4. [5, 月初, 有, 哪些, 电影, 值得, 观看]
  5. 做反义标注：
  6. AntonymTagging.process(words);
  7. System.out.println(words);
  8. 结果如下：
  9. [5, 月初[月底, 月末, 月终], 有, 哪些, 电影, 值得, 观看]
  10.  
  11. List<Word> words = WordSegmenter.segWithStopWords("由于工作不到位、服务不完善导致顾客在用餐时发生不愉快的事情,餐厅方面应该向顾客作出真诚的道歉,而不是敷衍了事。");
  12. System.out.println(words);
  13. 结果如下：
  14. [由于, 工作, 不到位, 服务, 不完善, 导致, 顾客, 在, 用餐, 时, 发生, 不愉快, 的, 事情, 餐厅, 方面, 应该, 向, 顾客, 作出, 真诚, 的, 道歉, 而不是, 敷衍了事]
  15. 做反义标注：
  16. AntonymTagging.process(words);
  17. System.out.println(words);
  18. 结果如下：
  19. [由于, 工作, 不到位, 服务, 不完善, 导致, 顾客, 在, 用餐, 时, 发生, 不愉快, 的, 事情, 餐厅, 方面, 应该, 向, 顾客, 作出, 真诚[糊弄, 虚伪, 虚假, 险诈], 的, 道歉, 而不是, 敷衍了事[一丝不苟, 兢兢业业, 尽心竭力, 竭尽全力, 精益求精, 诚心诚意]]
  20.  
  21. 以词“月初”为例：
  22. 可以通过Word的getAntonym()方法获取反义词如：
  23. System.out.println(word.getAntonym());
  24. 结果如下：
  25. [月底, 月末, 月终]
  26. 注意：如果没有反义词，getAntonym()返回空集合：Collections.emptyList()
15、拼音标注
  1. List<Word> words = WordSegmenter.segWithStopWords("《速度与激情7》的中国内地票房自4月12日上映以来，在短短两周内突破20亿人民币");
  2. System.out.println(words);
  3. 结果如下：
  4. [速度, 与, 激情, 7, 的, 中国, 内地, 票房, 自, 4月, 12日, 上映, 以来, 在, 短短, 两周, 内, 突破, 20亿, 人民币]
  5. 执行拼音标注：
  6. PinyinTagging.process(words);
  7. System.out.println(words);
  8. 结果如下：
  9. [速度 sd sudu, 与 y yu, 激情 jq jiqing, 7, 的 d de, 中国 zg zhongguo, 内地 nd neidi, 票房 pf piaofang, 自 z zi, 4月, 12日, 上映 sy shangying, 以来 yl yilai, 在 z zai, 短短 dd duanduan, 两周 lz liangzhou, 内 n nei, 突破 tp tupo, 20亿, 人民币 rmb renminbi]
  10.  
  11. 以词“速度”为例：
  12. 可以通过Word的getFullPinYin()方法获取完整拼音如：sudu
  13. 可以通过Word的getAcronymPinYin()方法获取首字母缩略拼音如：sd
16、Lucene插件：
  1. 1、构造一个word分析器ChineseWordAnalyzer
  2. Analyzer analyzer = new ChineseWordAnalyzer();
  3. 如果需要使用特定的分词算法，可通过构造函数来指定：
  4. Analyzer analyzer = new ChineseWordAnalyzer(SegmentationAlgorithm.FullSegmentation);
  5. 如不指定，默认使用双向最大匹配算法：SegmentationAlgorithm.BidirectionalMaximumMatching
  6. 可用的分词算法参见枚举类：SegmentationAlgorithm
  7.  
  8. 2、利用word分析器切分文本
  9. TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者");
  10. //准备消费
  11. tokenStream.reset();
  12. //开始消费
  13. while(tokenStream.incrementToken()){
  14.     //词
  15.     CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);
  16.     //词在文本中的起始位置
  17.     OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
  18.     //第几个词
  19.     PositionIncrementAttribute positionIncrementAttribute = tokenStream.getAttribute(PositionIncrementAttribute.class);
  20.     //词性
  21.     PartOfSpeechAttribute partOfSpeechAttribute = tokenStream.getAttribute(PartOfSpeechAttribute.class);
  22.     //首字母缩略拼音
  23.     AcronymPinyinAttribute acronymPinyinAttribute = tokenStream.getAttribute(AcronymPinyinAttribute.class);
  24.     //完整拼音
  25.     FullPinyinAttribute fullPinyinAttribute = tokenStream.getAttribute(FullPinyinAttribute.class);
  26.     //同义词
  27.     SynonymAttribute synonymAttribute = tokenStream.getAttribute(SynonymAttribute.class);
  28.     //反义词
  29.     AntonymAttribute antonymAttribute = tokenStream.getAttribute(AntonymAttribute.class);
  30.  
  31.     LOGGER.info(charTermAttribute.toString()+" ("+offsetAttribute.startOffset()+" - "+offsetAttribute.endOffset()+") "+positionIncrementAttribute.getPositionIncrement());
  32.     LOGGER.info("PartOfSpeech:"+partOfSpeechAttribute.toString());
  33.     LOGGER.info("AcronymPinyin:"+acronymPinyinAttribute.toString());
  34.     LOGGER.info("FullPinyin:"+fullPinyinAttribute.toString());
  35.     LOGGER.info("Synonym:"+synonymAttribute.toString());
  36.     LOGGER.info("Antonym:"+antonymAttribute.toString());
  37. }
  38. //消费完毕
  39. tokenStream.close();
  40.  
  41. 3、利用word分析器建立Lucene索引
  42. Directory directory = new RAMDirectory();
  43. IndexWriterConfig config = new IndexWriterConfig(analyzer);
  44. IndexWriter indexWriter = new IndexWriter(directory, config);
  45.  
  46. 4、利用word分析器查询Lucene索引
  47. QueryParser queryParser = new QueryParser("text", analyzer);
  48. Query query = queryParser.parse("text:杨尚川");
  49. TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);
17、Solr插件：
  1. 1、下载word-1.3.jar
  2. 下载地址：http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.3/word-1.3.jar
  3.  
  4. 2、创建目录solr-5.1.0/example/solr/lib，将word-1.3.jar复制到lib目录
  5.  
  6. 3、配置schema指定分词器
  7. 将solr-5.1.0/example/solr/collection1/conf/schema.xml文件中所有的
  8. <tokenizer class="solr.WhitespaceTokenizerFactory"/>和
  9. <tokenizer class="solr.StandardTokenizerFactory"/>全部替换为
  10. <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>
  11. 并移除所有的filter标签
  12.  
  13. 4、如果需要使用特定的分词算法：
  14. <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/>
  15. segAlgorithm可选值有：  
  16. 正向最大匹配算法：MaximumMatching
  17. 逆向最大匹配算法：ReverseMaximumMatching
  18. 正向最小匹配算法：MinimumMatching
  19. 逆向最小匹配算法：ReverseMinimumMatching
  20. 双向最大匹配算法：BidirectionalMaximumMatching
  21. 双向最小匹配算法：BidirectionalMinimumMatching
  22. 双向最大最小匹配算法：BidirectionalMaximumMinimumMatching
  23. 全切分算法：FullSegmentation
  24. 最少分词算法：MinimalWordCount
  25. 最大Ngram分值算法：MaxNgramScore
  26. 如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching
  27.  
  28. 5、如果需要指定特定的配置文件：
  29. <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"
  30.         conf="solr-5.1.0/example/solr/nutch/conf/word.local.conf"/>
  31. word.local.conf文件中可配置的内容见 word-1.3.jar 中的word.conf文件
  32. 如不指定，使用默认配置文件，位于 word-1.3.jar 中的word.conf文件
18、ElasticSearch插件：
  1. 1、打开命令行并切换到elasticsearch的bin目录
  2. cd elasticsearch-1.5.1/bin
  3.  
  4. 2、运行plugin脚本安装word分词插件：
  5. ./plugin -u http://apdplat.org/word/archive/v1.2.zip -i word
  6.  
  7. 3、修改文件elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置：    
  8. index.analysis.analyzer.default.type : "word"
  9. index.analysis.tokenizer.default.type : "word"
  10.  
  11. 4、启动ElasticSearch测试效果，在Chrome浏览器中访问：    
  12. http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者
  13.  
  14. 5、自定义配置
  15. 修改配置文件elasticsearch-1.5.1/plugins/word/word.local.conf
  16.  
  17. 6、指定分词算法
  18. 修改文件elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置：
  19. index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching"
  20. index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching"
  21.  
  22. 这里segAlgorithm可指定的值有：
  23. 正向最大匹配算法：MaximumMatching
  24. 逆向最大匹配算法：ReverseMaximumMatching
  25. 正向最小匹配算法：MinimumMatching
  26. 逆向最小匹配算法：ReverseMinimumMatching
  27. 双向最大匹配算法：BidirectionalMaximumMatching
  28. 双向最小匹配算法：BidirectionalMinimumMatching
  29. 双向最大最小匹配算法：BidirectionalMaximumMinimumMatching
  30. 全切分算法：FullSegmentation
  31. 最少分词算法：MinimalWordCount
  32. 最大Ngram分值算法：MaxNgramScore
  33. 如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching
19、Luke插件：
  1. 1、下载http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar（国内不能访问）
  2.  
  3. 2、下载并解压Java中文分词组件word-1.0-bin.zip：http://pan.baidu.com/s/1dDziDFz
  4.  
  5. 3、将解压后的 Java中文分词组件word-1.0-bin/word-1.0 文件夹里面的4个jar包解压到当前文件夹
  6. 用压缩解压工具如winrar打开lukeall-4.0.0-ALPHA.jar，将当前文件夹里面除了META-INF文件夹、.jar、
  7. .bat、.html、word.local.conf文件外的其他所有文件拖到lukeall-4.0.0-ALPHA.jar里面
  8.  
  9. 4、执行命令 java -jar lukeall-4.0.0-ALPHA.jar 启动luke，在Search选项卡的Analysis里面
  10. 就可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器了
  11.  
  12. 5、在Plugins选项卡的Available analyzers found on the current classpath里面也可以选择 
  13. org.apdplat.word.lucene.ChineseWordAnalyzer 分词器
  14.  
  15. 注意：如果你要自己集成word分词器的其他版本，在项目根目录下运行mvn install编译项目，然后运行命令
  16. mvn dependency:copy-dependencies复制依赖的jar包，接着在target/dependency/目录下就会有所有
  17. 的依赖jar包。其中target/dependency/slf4j-api-1.6.4.jar是word分词器使用的日志框架，
  18. target/dependency/logback-classic-0.9.28.jar和
  19. target/dependency/logback-core-0.9.28.jar是word分词器推荐使用的日志实现，日志实现的配置文件
  20. 路径位于target/classes/logback.xml，target/word-1.3.jar是word分词器的主jar包，如果需要
  21. 自定义词典，则需要修改分词器配置文件target/classes/word.conf

已经集成好的Luke插件下载（适用于lucene4.0.0） ：lukeall-4.0.0-ALPHA-with-word-1.0.jar

已经集成好的Luke插件下载（适用于lucene4.10.3）：lukeall-4.10.3-with-word-1.2.jar

20、词向量：
  1. 从大规模语料中统计一个词的上下文相关词，并用这些上下文相关词组成的向量来表达这个词。
  2. 通过计算词向量的相似性，即可得到词的相似性。
  3. 相似性的假设是建立在如果两个词的上下文相关词越相似，那么这两个词就越相似这个前提下的。
  4.  
  5. 通过运行项目根目录下的脚本demo-word-vector-corpus.bat来体验word项目自带语料库的效果
  6.  
  7. 如果有自己的文本内容，可以使用脚本demo-word-vector-file.bat来对文本分词、建立词向量、计算相似性

分词算法效果评估：

  1. 1、word分词 最大Ngram分值算法：
  2. 分词速度：397.73047 字符/毫秒
  3. 行数完美率：59.93%  行数错误率：40.06%  总的行数：2533709  完美行数：1518525  错误行数：1015184
  4. 字数完美率：51.56% 字数错误率：48.43% 总的字数：28374490 完美字数：14632098 错误字数：13742392
  5.  
  6. 2、word分词 全切分算法：
  7. 分词速度：67.032585 字符/毫秒
  8. 行数完美率：57.2%  行数错误率：42.79%  总的行数：2533709  完美行数：1449288  错误行数：1084421
  9. 字数完美率：47.95% 字数错误率：52.04% 总的字数：28374490 完美字数：13605742 错误字数：14768748
  10.  
  11. 3、word分词 双向最大最小匹配算法：
  12. 分词速度：367.99805 字符/毫秒
  13. 行数完美率：53.06%  行数错误率：46.93%  总的行数：2533709  完美行数：1344624  错误行数：1189085
  14. 字数完美率：43.07% 字数错误率：56.92% 总的字数：28374490 完美字数：12221610 错误字数：16152880
  15.  
  16. 4、word分词 最少分词算法：
  17. 分词速度：364.40622 字符/毫秒
  18. 行数完美率：47.75%  行数错误率：52.24%  总的行数：2533709  完美行数：1209976  错误行数：1323733
  19. 字数完美率：37.59% 字数错误率：62.4% 总的字数：28374490 完美字数：10666443 错误字数：17708047
  20.  
  21. 5、word分词 双向最小匹配算法：
  22. 分词速度：657.13635 字符/毫秒
  23. 行数完美率：46.34%  行数错误率：53.65%  总的行数：2533709  完美行数：1174276  错误行数：1359433
  24. 字数完美率：36.07% 字数错误率：63.92% 总的字数：28374490 完美字数：10236574 错误字数：18137916
  25.  
  26. 6、word分词 双向最大匹配算法：
  27. 分词速度：539.0905 字符/毫秒
  28. 行数完美率：46.18%  行数错误率：53.81%  总的行数：2533709  完美行数：1170075  错误行数：1363634
  29. 字数完美率：35.65% 字数错误率：64.34% 总的字数：28374490 完美字数：10117122 错误字数：18257368
  30.  
  31. 7、word分词 正向最大匹配算法：
  32. 分词速度：662.2127 字符/毫秒
  33. 行数完美率：41.88%  行数错误率：58.11%  总的行数：2533709  完美行数：1061189  错误行数：1472520
  34. 字数完美率：31.35% 字数错误率：68.64% 总的字数：28374490 完美字数：8896173 错误字数：19478317
  35.  
  36. 8、word分词 逆向最大匹配算法：
  37. 分词速度：1082.0459 字符/毫秒
  38. 行数完美率：41.69%  行数错误率：58.3%  总的行数：2533709  完美行数：1056515  错误行数：1477194
  39. 字数完美率：30.98% 字数错误率：69.01% 总的字数：28374490 完美字数：8792532 错误字数：19581958
  40.  
  41. 9、word分词 逆向最小匹配算法：
  42. 分词速度：1906.6315 字符/毫秒
  43. 行数完美率：41.42%  行数错误率：58.57%  总的行数：2533709  完美行数：1049673  错误行数：1484036
  44. 字数完美率：31.34% 字数错误率：68.65% 总的字数：28374490 完美字数：8893622 错误字数：19480868
  45.  
  46. 10、word分词 正向最小匹配算法：
  47. 分词速度：1839.1554 字符/毫秒
  48. 行数完美率：36.7%  行数错误率：63.29%  总的行数：2533709  完美行数：930069  错误行数：1603640
  49. 字数完美率：26.72% 字数错误率：73.27% 总的字数：28374490 完美字数：7583741 错误字数：20790749

相关文章：

1、中文分词算法 之 基于词典的正向最大匹配算法

2、中文分词算法 之 基于词典的逆向最大匹配算法

3、中文分词算法 之 词典机制性能优化与测试

4、中文分词算法 之 基于词典的正向最小匹配算法

5、中文分词算法 之 基于词典的逆向最小匹配算法

6、一种利用ngram模型来消除歧义的中文分词方法

7、一种基于词性序列的人名识别方法

8、中文分词算法 之 基于词典的全切分算法

9、9大Java开源中文分词器的使用方法和分词效果对比

10、中文分词之11946组同义词

11、中文分词之9271组反义词

12、如何利用多核提升分词速度

相关项目：

Java开源项目cws_evaluation：中文分词器分词效果评估

转载于:https://my.oschina.net/apdplat/blog/228619

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/382016
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号