北大開源了一個中文分詞工具包，名為——PKUSeg

分詞技術(shù)是一種比較基礎(chǔ)的模塊，就英文而言，詞與詞之間通常由空格分開，因此英文分詞則要簡單的多，但中文和英文的詞是有區(qū)別的，再加上中國文化的博大精深，分詞的時候要考慮的情況比英文分詞要復(fù)雜的多，如果處理不好就會直接影響到后續(xù)詞性標(biāo)注、句法分析等的準確性，

目前，我們最常用的分詞工具大概有四種哈工大LTP、中科院計算所NLPIR、清華大學(xué)THULAC和jieba。

不過最近，北大開源了一個中文分詞工具包，名為 ——PKUSeg，基于Python。據(jù)介紹其準確率秒殺THULAC和結(jié)巴分詞等工具。

一經(jīng)開源，pkuseg已經(jīng)在GitHub上獲得1738個Star，244個Fork（GitHub地址：https://github.com/lancopku/PKUSeg-python）

pkuseg具有如下幾個特點：

多領(lǐng)域分詞：不同于以往的通用中文分詞工具，此工具包同時致力于為不同領(lǐng)域的數(shù)據(jù)提供個性化的預(yù)訓(xùn)練模型。根據(jù)待分詞文本的領(lǐng)域特點，用戶可以自由地選擇不同的模型。 我們目前支持了新聞領(lǐng)域，網(wǎng)絡(luò)文本領(lǐng)域和混合領(lǐng)域的分詞預(yù)訓(xùn)練模型，同時也擬在近期推出更多的細領(lǐng)域預(yù)訓(xùn)練模型，比如醫(yī)藥、旅游、專利、小說等等。

更高的分詞準確率：相比于其他的分詞工具包，當(dāng)使用相同的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，pkuseg可以取得更高的分詞準確率。

支持用戶自訓(xùn)練模型：支持用戶使用全新的標(biāo)注數(shù)據(jù)進行訓(xùn)練。

各類分詞工具包的性能對比

前面有提到說pkuseg的準確率遠超其他分詞工具包，現(xiàn)在就是用數(shù)據(jù)說話的時候了，下面就是在 Linux 環(huán)境下，各工具在新聞數(shù)據(jù) (MSRA) 和混合型文本 (CTB8) 數(shù)據(jù)上的準確率測試情況

測試使用的是第二屆國際漢語分詞評測比賽提供的分詞評價腳本，從上圖看出結(jié)巴分詞準確率最低，

跨領(lǐng)域測試結(jié)果

以下是在其它領(lǐng)域進行測試，以模擬模型在“黑盒數(shù)據(jù)”上的分詞效果。

默認模型在不同領(lǐng)域的測試效果

以下是各個工具包的默認模型在不同領(lǐng)域的測試效果

使用方式

代碼示例1：使用默認模型及默認詞典分詞

importpkusegseg=pkuseg.pkuseg()#以默認配置加載模型text=seg.cut('我愛北京***')#進行分詞print(text)

代碼示例2：設(shè)置用戶自定義詞典

importpkuseglexicon=['北京大學(xué)','北京***']#希望分詞時用戶詞典中的詞固定不分開seg=pkuseg.pkuseg(user_dict=lexicon)#加載模型，給定用戶詞典text=seg.cut('我愛北京***')#進行分詞print(text)

代碼示例3：使用其它模型

importpkusegseg=pkuseg.pkuseg(model_name='./ctb8')#假設(shè)用戶已經(jīng)下載好了ctb8的模型#并放在了'./ctb8'目錄下，通過設(shè)置model_name加載該模型text=seg.cut('我愛北京***')#進行分詞print(text)

代碼示例4：對文件分詞

importpkusegpkuseg.test('input.txt','output.txt',nthread=20)#對input.txt的文件分詞輸出到output.txt中，#使用默認模型和詞典，開20個進程

代碼示例5：訓(xùn)練新模型

importpkuseg#訓(xùn)練文件為'msr_training.utf8'#測試文件為'msr_test_gold.utf8'#模型存到'./models'目錄下，開20個進程訓(xùn)練模型pkuseg.train('msr_training.utf8','msr_test_gold.utf8','./models',nthread=20)

此外，pkuseg提供了三種在不同類型數(shù)據(jù)上訓(xùn)練得到的模型，根據(jù)具體需要，用戶可以選擇不同的預(yù)訓(xùn)練模型：

MSRA：在MSRA（新聞?wù)Z料）上訓(xùn)練的模型。

下載地址：https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

CTB8：在CTB8（新聞文本及網(wǎng)絡(luò)文本的混合型語料）上訓(xùn)練的模型。隨pip包附帶的是此模型。

下載地址：https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

WEIBO：在微博（網(wǎng)絡(luò)文本語料）上訓(xùn)練的模型。

下載地址：https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

最后附上前面提到的另外四大分詞工具的GitHub地址：

1、LTP：https://github.com/HIT-SCIR/ltp

2、NLPIR：https://github.com/NLPIR-team/NLPIR

3、THULAC：https://github.com/thunlp/THULAC

4、jieba：https://github.com/yanyiwu/cppjieba