北大开源了一个中文分词工具包，名为——PKUSeg
分词技术是一种比较基础的模块，就英文而言，词与词之间通常由空格分开，因此英文分词则要简单的多，但中文和英文的词是有区别的，再加上中国文化的博大精深，分词的时候要考虑的情况比英文分词要复杂的多，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，
目前，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，北大开源了一个中文分词工具包，名为 ——PKUSeg，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，pkuseg已经在GitHub上获得1738个Star，244个Fork（GitHub地址：https://github.com/lancopku/PKUSeg-python）
pkuseg具有如下几个特点：
多领域分词：不同于以往的通用中文分词工具，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，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，网络文本领域和混合领域的分词预训练模型，同时也拟在近期推出更多的细领域预训练模型，比如医药、旅游、专利、小说等等。
更高的分词准确率：相比于其他的分词工具包，当使用相同的训练数据和测试数据，pkuseg可以取得更高的分词准确率。
支持用户自训练模型：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，现在就是用数据说话的时候了，下面就是在 Linux 环境下，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，从上图看出结巴分词准确率最低，
跨领域测试结果
以下是在其它领域进行测试，以vwin 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：使用默认模型及默认词典分词
importpkusegseg=pkuseg.pkuseg()#以默认配置加载模型text=seg.cut('我爱北京***')#进行分词print(text)
代码示例2：设置用户自定义词典
importpkuseglexicon=['北京大学','北京***']#希望分词时用户词典中的词固定不分开seg=pkuseg.pkuseg(user_dict=lexicon)#加载模型，给定用户词典text=seg.cut('我爱北京***')#进行分词print(text)
代码示例3：使用其它模型
importpkusegseg=pkuseg.pkuseg(model_name='./ctb8')#假设用户已经下载好了ctb8的模型#并放在了'./ctb8'目录下，通过设置model_name加载该模型text=seg.cut('我爱北京***')#进行分词print(text)
代码示例4：对文件分词
importpkusegpkuseg.test('input.txt','output.txt',nthread=20)#对input.txt的文件分词输出到output.txt中，#使用默认模型和词典，开20个进程
代码示例5：训练新模型
importpkuseg#训练文件为'msr_training.utf8'#测试文件为'msr_test_gold.utf8'#模型存到'./models'目录下，开20个进程训练模型pkuseg.train('msr_training.utf8','msr_test_gold.utf8','./models',nthread=20)
此外，pkuseg提供了三种在不同类型数据上训练得到的模型，根据具体需要，用户可以选择不同的预训练模型：
MSRA：在MSRA（新闻语料）上训练的模型。
下载地址：https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA
CTB8：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：https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA
WEIBO：在微博（网络文本语料）上训练的模型。
下载地址：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：
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
-
Linux
+关注
关注
87文章
11291浏览量
209308 -
开源
+关注
关注
3文章
3309浏览量
42470 -
python
+关注
关注
56文章
4792浏览量
84623
原文标题：准确率秒杀结巴分词，北大开源全新中文分词工具包PKUSeg
文章出处：【微信号：TheBigData1024，微信公众号：人工智能与大数据技术】欢迎添加关注！文章转载请注明出处。
发布评论请先 登录
相关推荐
基于EasyGo Vs工具包和Nl veristand软件进行的永磁同步电机实时仿真
FPGA仿真工具包软件EasyGo Vs Addon介绍
采用德州仪器 (TI) 工具包进行模拟前端设计应用说明
苹果推出全新开源Swift软件包
使用freeRTOS开发工具包时，在哪里可以找到freeRTOS的版本？
新加坡推出Project Moonshot -- 这是一款生成式人工智能测试工具包，用于应对LLM安全和安保挑战
Hugging Face推出开源机器人代码库LeRobot
QE for Motor V1.3.0：汽车开发辅助工具解决方案工具包
labview工具包下载
利用ProfiShark 构建便携式网络取证工具包
Torch TensorRT是一个优化PyTorch模型推理性能的工具
全志V853 NPU开发之工具安装
解决方案工具包QE显示[RX，RA]V3.2.0：用于显示应用程序的开发辅助工具
工商网监
评论