快捷導(dǎo)航

幾款開源的中文分詞系統(tǒng)

更新時間：2012年11月13日 17:47:18 投稿：mdxy-dxy

中文分詞是做好中文內(nèi)容檢索、文本分析的基礎(chǔ)，主要應(yīng)用于搜索引擎與數(shù)據(jù)挖掘領(lǐng)域。中文是以詞為基本語素單位，而詞與詞之間并不像英語一樣有空格來分隔，因而中文分詞的難點在于如何準(zhǔn)確而又快速地進行分詞

以下介紹4款開源中文分詞系統(tǒng)。

ICTCLAS – 全球最受歡迎的漢語分詞系統(tǒng)

中文詞法分析是中文信息處理的基礎(chǔ)與關(guān)鍵。中國科學(xué)院計算技術(shù)研究所在多年研究工作積累的基礎(chǔ)上，研制出了漢語詞法分析系統(tǒng)ICTCLAS(Institute of Computing Technology, Chinese Lexical Analysis System)，主要功能包括中文分詞；詞性標(biāo)注；命名實體識別；新詞識別；同時支持用戶詞典；支持繁體中文；支持GBK、UTF-8、UTF-7、UNICODE等多種編碼格式。我們先后精心打造五年，內(nèi)核升級6次，目前已經(jīng)升級到了ICTCLAS3.0。ICTCLAS3.0分詞速度單機996KB/s，分詞精度98.45%，API不超過200KB，各種詞典數(shù)據(jù)壓縮后不到3M，是當(dāng)前世界上最好的漢語詞法分析器。

HTTPCWS – 基于HTTP協(xié)議的開源中文分詞系統(tǒng)

HTTPCWS 是一款基于HTTP協(xié)議的開源中文分詞系統(tǒng)，目前僅支持Linux系統(tǒng)。HTTPCWS 使用“ICTCLAS 3.0 2009共享版中文分詞算法”的API進行分詞處理，得出分詞結(jié)果。

ICTCLAS是中國科學(xué)院計算技術(shù)研究所在多年研究工作積累的基礎(chǔ)上，基于多層隱馬模型研制出的漢語詞法分析系統(tǒng)，主要功能包括中文分詞；詞性標(biāo)注；命名實體識別；新詞識別；同時支持用戶詞典。ICTCLAS經(jīng)過五年精心打造，內(nèi)核升級6次，目前已經(jīng)升級到了ICTCLAS3.0，分詞精度98.45%，各種詞典數(shù)據(jù)壓縮后不到3M。ICTCLAS在國內(nèi)973專家組組織的評測中活動獲得了第一名，在第一屆國際中文處理研究機構(gòu)SigHan組織的評測中都獲得了多項第一名，是當(dāng)前世界上最好的漢語詞法分析器。

SCWS – 簡易中文分詞系統(tǒng)

SCWS 在概念上并無創(chuàng)新成分，采用的是自行采集的詞頻詞典，并輔以一定程度上的專有名稱、人名、地名、數(shù)字年代等規(guī)則集，經(jīng)小范圍測試大概準(zhǔn)確率在 90% ~ 95% 之間，已能基本滿足一些中小型搜索引擎、關(guān)鍵字提取等場合運用。 SCWS 采用純 C 代碼開發(fā)，以 Unix-Like OS 為主要平臺環(huán)境，提供共享函數(shù)庫，方便植入各種現(xiàn)有軟件系統(tǒng)。此外它支持 GBK，UTF-8，BIG5 等漢字編碼，切詞效率高。

PhpanAlysis - PHP無組件分詞系統(tǒng)

PhpanAlysis分詞系統(tǒng)是基于字符串匹配的分詞方法，這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。按照掃描方向的不同，串匹配分詞方法可以分為正向匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況，可以分為最大（最長）匹配和最?。ㄗ疃蹋┢ヅ?；按照是否與詞性標(biāo)注過程相結(jié)合，又可以分為單純分詞方法和分詞與標(biāo)注相結(jié)合的一體化方法。

MMSEG4J　　

MMSEG4J基于Java的開源中文分詞組件，提供lucene和solr 接口

　　1）、mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法實現(xiàn)的中文分詞器，并實現(xiàn) lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。

　　2）、MMSeg 算法有兩種分詞方法：Simple和Complex，都是基于正向最大匹配。Complex 加了四個規(guī)則過慮。官方說：詞語的正確識別率達到了 98.41%。mmseg4j 已經(jīng)實現(xiàn)了這兩種分詞算法。

IKAnalyzer 開源的輕量級中文分詞工具包

IKAnalyzer 是一個開源的，基于java語言開發(fā)的輕量級的中文分詞工具包。從2006年12月推出1.0版開始，IKAnalyzer已經(jīng)推出了3個大版本。最初，它是以開源項目Luence為應(yīng)用主體的，結(jié)合詞典分詞和文法分析算法的中文分詞組件。新版本的IKAnalyzer3.0則發(fā)展為面向Java的公用分詞組件。

IKAnalyzer3.0特性:

采用了特有的“正向迭代最細粒度切分算法“，具有60萬字/秒的高速處理能力。

采用了多子處理器分析模式，支持：英文字母（IP地址、Email、URL）、數(shù)字（日期，常用中文數(shù)量詞，羅馬數(shù)字，科學(xué)計數(shù)法），中文詞匯（姓名、地名處理）等分詞處理。優(yōu)化的詞典存儲，更小的內(nèi)存占用。