精华内容
下载资源
问答
  • 1、快速体验运行项目根目录下脚本demo-word.bat可以快速体验分词效果用法: command [text] [input] [output]命令command可选值为:demo、text、filedemotext 杨尚川是APDPlat应用级产品开发平台作者file d:/...

    1、快速体验

    运行项目根目录下的脚本demo-word.bat可以快速体验分词效果

    用法: command [text] [input] [output]

    命令command的可选值为:demo、text、file

    demo

    text 杨尚川是APDPlat应用级产品开发平台的作者

    file d:/text.txt d:/word.txt

    exit

    2、对文本进行分词

    移除停用词:List words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者");

    保留停用词:List words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者");

    System.out.println(words);

    输出:

    移除停用词:[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]

    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

    String input = "d:/text.txt";

    String output = "d:/word.txt";

    移除停用词:WordSegmenter.seg(new File(input), new File(output));

    保留停用词:WordSegmenter.segWithStopWords(new File(input), new File(output));

    4、自定义配置文件

    默认配置文件为类路径下的word.conf,打包在word-x.x.jar中

    自定义配置文件为类路径下的word.local.conf,需要用户自己提供

    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

    配置文件编码为UTF-8

    5、自定义用户词库

    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

    用户词库由多个词典文件组成,文件编码为UTF-8

    词典文件的格式为文本文件,一行代表一个词

    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

    类路径下的词典文件,需要在相对路径前加入前缀classpath:

    指定方式有三种:

    指定方式一,编程指定(高优先级):

    WordConfTools.set("dic.path", "classpath:dic.txt,d:/custom_dic");

    DictionaryFactory.reload();//更改词典路径之后,重新加载词典

    指定方式二,Java虚拟机启动参数(中优先级):

    java -Ddic.path=classpath:dic.txt,d:/custom_dic

    指定方式三,配置文件指定(低优先级):

    使用类路径下的文件word.local.conf来指定配置信息

    dic.path=classpath:dic.txt,d:/custom_dic

    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

    使用方式和自定义用户词库类似,配置项为:

    stopwords.path=classpath:stopwords.txt,d:/custom_stopwords_dic

    7、自动检测词库变化

    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

    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

    如:

    classpath:dic.txt,classpath:custom_dic_dir,

    d:/dic_more.txt,d:/DIC_DIR,D:/DIC2_DIR,my_dic_dir,my_dic_file.txt

    classpath:stopwords.txt,classpath:custom_stopwords_dic_dir,

    d:/stopwords_more.txt,d:/STOPWORDS_DIR,d:/STOPWORDS2_DIR,stopwords_dir,remove.txt

    8、显式指定分词算法

    对文本进行分词时,可显式指定特定的分词算法,如:

    WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching);

    SegmentationAlgorithm的可选类型为:

    正向最大匹配算法:MaximumMatching

    逆向最大匹配算法:ReverseMaximumMatching

    正向最小匹配算法:MinimumMatching

    逆向最小匹配算法:ReverseMinimumMatching

    双向最大匹配算法:BidirectionalMaximumMatching

    双向最小匹配算法:BidirectionalMinimumMatching

    双向最大最小匹配算法:BidirectionalMaximumMinimumMatching

    全切分算法:FullSegmentation

    9、分词效果评估

    运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估

    评估采用的测试文本有253 3709行,共2837 4490个字符

    评估结果位于target/evaluation目录下:

    corpus-text.txt为分好词的人工标注文本,词之间以空格分隔

    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

    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

    result-text-***.txt,***为各种分词算法名称,这是word分词结果

    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

    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、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、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、配置并启动redis服务器

    展开全文
  • Java中文分词组件 - word分词

    万次阅读 2019-02-10 16:17:50
    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...

    目录

    API在线文档:

    编译好的jar包下载(包含依赖):

    Maven依赖:

    分词使用方法:

    分词算法效果评估:

    相关文章:


    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):

    链接: https://pan.baidu.com/s/1mnGQqx_5Yqv_KxS9HJCTcA 
    提取码: essu 

    Maven依赖:

    在pom.xml中指定dependency,可用版本有1.0、1.1、1.2、1.3:

    <dependencies>
        <dependency>
            <groupId>org.apdplat</groupId>
            <artifactId>word</artifactId>
            <version>1.3</version>
        </dependency>
    </dependencies>

    分词使用方法:

    1、快速体验

    运行项目根目录下的脚本demo-word.bat可以快速体验分词效果
    用法: command [text] [input] [output]
    命令command的可选值为:demo、text、file
    demo
    text 杨尚川是APDPlat应用级产品开发平台的作者
    file d:/text.txt d:/word.txt
    exit

    2、对文本进行分词

    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");
    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");
                System.out.println(words);
    
    输出:
    移除停用词:[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]
    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

    String input = "d:/text.txt";
    String output = "d:/word.txt";
    移除停用词:WordSegmenter.seg(new File(input), new File(output));
    保留停用词:WordSegmenter.segWithStopWords(new File(input), new File(output));

    4、自定义配置文件

    默认配置文件为类路径下的word.conf,打包在word-x.x.jar中
    自定义配置文件为类路径下的word.local.conf,需要用户自己提供
    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
    配置文件编码为UTF-8

    5、自定义用户词库

    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
    用户词库由多个词典文件组成,文件编码为UTF-8
    词典文件的格式为文本文件,一行代表一个词
    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
    类路径下的词典文件,需要在相对路径前加入前缀classpath:
    
    指定方式有三种:
        指定方式一,编程指定(高优先级):
            WordConfTools.set("dic.path", "classpath:dic.txt,d:/custom_dic");
            DictionaryFactory.reload();//更改词典路径之后,重新加载词典
        指定方式二,Java虚拟机启动参数(中优先级):
            java -Ddic.path=classpath:dic.txt,d:/custom_dic
        指定方式三,配置文件指定(低优先级):
            使用类路径下的文件word.local.conf来指定配置信息
            dic.path=classpath:dic.txt,d:/custom_dic
    
    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

    使用方式和自定义用户词库类似,配置项为:
    stopwords.path=classpath:stopwords.txt,d:/custom_stopwords_dic

    7、自动检测词库变化

    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
    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
    如:
    classpath:dic.txt,classpath:custom_dic_dir,
    d:/dic_more.txt,d:/DIC_DIR,D:/DIC2_DIR,my_dic_dir,my_dic_file.txt
    
    classpath:stopwords.txt,classpath:custom_stopwords_dic_dir,
    d:/stopwords_more.txt,d:/STOPWORDS_DIR,d:/STOPWORDS2_DIR,stopwords_dir,remove.txt

    8、显式指定分词算法

    对文本进行分词时,可显式指定特定的分词算法,如:
    WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching);
    
    SegmentationAlgorithm的可选类型为:   
    正向最大匹配算法:MaximumMatching
    逆向最大匹配算法:ReverseMaximumMatching
    正向最小匹配算法:MinimumMatching
    逆向最小匹配算法:ReverseMinimumMatching
    双向最大匹配算法:BidirectionalMaximumMatching
    双向最小匹配算法:BidirectionalMinimumMatching
    双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
    全切分算法:FullSegmentation
    最少分词算法:MinimalWordCount
    最大Ngram分值算法:MaxNgramScore

    9、分词效果评估

    运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估
    评估采用的测试文本有253 3709行,共2837 4490个字符
    评估结果位于target/evaluation目录下:
    corpus-text.txt为分好词的人工标注文本,词之间以空格分隔
    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
    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
    result-text-***.txt,***为各种分词算法名称,这是word分词结果
    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
    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、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、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、配置并启动redis服务器

    11、词性标注(1.3才有这个功能)

    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
    如下所示:
    List<Word> words = WordSegmenter.segWithStopWords("我爱中国");
    System.out.println("未标注词性:"+words);
    //词性标注
    PartOfSpeechTagging.process(words);
    System.out.println("标注词性:"+words);
    输出内容:
    未标注词性:[我, 爱, 中国]
    标注词性:[我/r, 爱/v, 中国/ns]

    12、refine

    我们看一个切分例子:
    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");
    System.out.println(words);
    结果如下:
    [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]
    假如我们想要的切分结果是:
    [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]
    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?
    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:
    工人阶级=工人 阶级
    劳动群众=劳动 群众
    然后,我们对分词结果进行refine:
    words = WordRefiner.refine(words);
    System.out.println(words);
    这样,就能达到我们想要的效果:
    [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]
    
    我们再看一个切分例子:
    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");
    System.out.println(words);
    结果如下:
    [在, 实现, 两个, 一百年, 奋斗目标, 的, 伟大, 征程, 上, 再创, 新的, 业绩]
    假如我们想要的切分结果是:
    [在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩]
    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?
    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:
    两个 一百年=两个一百年
    伟大 征程=伟大征程
    然后,我们对分词结果进行refine:
    words = WordRefiner.refine(words);
    System.out.println(words);
    这样,就能达到我们想要的效果:
    [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

    List<Word> words = WordSegmenter.segWithStopWords("楚离陌千方百计为无情找回记忆");
    System.out.println(words);
    结果如下:
    [楚离陌, 千方百计, 为, 无情, 找回, 记忆]
    做同义标注:
    SynonymTagging.process(words);
    System.out.println(words);
    结果如下:
    [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]]
    如果启用间接同义词:
    SynonymTagging.process(words, false);
    System.out.println(words);
    结果如下:
    [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]]
    
    List<Word> words = WordSegmenter.segWithStopWords("手劲大的老人往往更长寿");
    System.out.println(words);
    结果如下:
    [手劲, 大, 的, 老人, 往往, 更, 长寿]
    做同义标注:
    SynonymTagging.process(words);
    System.out.println(words);
    结果如下:
    [手劲, 大, 的, 老人[白叟], 往往[常常, 每每, 经常], 更, 长寿[长命, 龟龄]]
    如果启用间接同义词:
    SynonymTagging.process(words, false);
    System.out.println(words);
    结果如下:
    [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]]
    
    以词“千方百计”为例:
    可以通过Word的getSynonym()方法获取同义词如:
    System.out.println(word.getSynonym());
    结果如下:
    [久有存心, 化尽心血, 想方设法, 费尽心机]
    注意:如果没有同义词,则getSynonym()返回空集合:Collections.emptyList()
    
    间接同义词和直接同义词的区别如下:
    假设:
    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
    则:
    对于A来说,A B C是直接同义词
    对于B来说,A B D是直接同义词
    对于C来说,A C E是直接同义词
    对于A B C来说,A B C D E是间接同义词

    14、反义标注

    List<Word> words = WordSegmenter.segWithStopWords("5月初有哪些电影值得观看");
    System.out.println(words);
    结果如下:
    [5, 月初, 有, 哪些, 电影, 值得, 观看]
    做反义标注:
    AntonymTagging.process(words);
    System.out.println(words);
    结果如下:
    [5, 月初[月底, 月末, 月终], 有, 哪些, 电影, 值得, 观看]
    
    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。");
    System.out.println(words);
    结果如下:
    [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]
    做反义标注:
    AntonymTagging.process(words);
    System.out.println(words);
    结果如下:
    [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]]
    
    以词“月初”为例:
    可以通过Word的getAntonym()方法获取反义词如:
    System.out.println(word.getAntonym());
    结果如下:
    [月底, 月末, 月终]
    注意:如果没有反义词,getAntonym()返回空集合:Collections.emptyList()

    15、拼音标注

    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");
    System.out.println(words);
    结果如下:
    [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]
    执行拼音标注:
    PinyinTagging.process(words);
    System.out.println(words);
    结果如下:
    [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]
    
    以词“速度”为例:
    可以通过Word的getFullPinYin()方法获取完整拼音如:sudu
    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、构造一个word分析器ChineseWordAnalyzer
    Analyzer analyzer = new ChineseWordAnalyzer();
    如果需要使用特定的分词算法,可通过构造函数来指定:
    Analyzer analyzer = new ChineseWordAnalyzer(SegmentationAlgorithm.FullSegmentation);
    如不指定,默认使用双向最大匹配算法:SegmentationAlgorithm.BidirectionalMaximumMatching
    可用的分词算法参见枚举类:SegmentationAlgorithm
    
    2、利用word分析器切分文本
    TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者");
    //准备消费
    tokenStream.reset();
    //开始消费
    while(tokenStream.incrementToken()){
        //词
        CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);
        //词在文本中的起始位置
        OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
        //第几个词
        PositionIncrementAttribute positionIncrementAttribute = tokenStream.getAttribute(PositionIncrementAttribute.class);
        //词性
        PartOfSpeechAttribute partOfSpeechAttribute = tokenStream.getAttribute(PartOfSpeechAttribute.class);
        //首字母缩略拼音
        AcronymPinyinAttribute acronymPinyinAttribute = tokenStream.getAttribute(AcronymPinyinAttribute.class);
        //完整拼音
        FullPinyinAttribute fullPinyinAttribute = tokenStream.getAttribute(FullPinyinAttribute.class);
        //同义词
        SynonymAttribute synonymAttribute = tokenStream.getAttribute(SynonymAttribute.class);
        //反义词
        AntonymAttribute antonymAttribute = tokenStream.getAttribute(AntonymAttribute.class);
    
        LOGGER.info(charTermAttribute.toString()+" ("+offsetAttribute.startOffset()+" - "+offsetAttribute.endOffset()+") "+positionIncrementAttribute.getPositionIncrement());
        LOGGER.info("PartOfSpeech:"+partOfSpeechAttribute.toString());
        LOGGER.info("AcronymPinyin:"+acronymPinyinAttribute.toString());
        LOGGER.info("FullPinyin:"+fullPinyinAttribute.toString());
        LOGGER.info("Synonym:"+synonymAttribute.toString());
        LOGGER.info("Antonym:"+antonymAttribute.toString());
    }
    //消费完毕
    tokenStream.close();
    
    3、利用word分析器建立Lucene索引
    Directory directory = new RAMDirectory();
    IndexWriterConfig config = new IndexWriterConfig(analyzer);
    IndexWriter indexWriter = new IndexWriter(directory, config);
    
    4、利用word分析器查询Lucene索引
    QueryParser queryParser = new QueryParser("text", analyzer);
    Query query = queryParser.parse("text:杨尚川");
    TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);

    17、Solr插件:

    1、下载word-1.3.jar
    下载地址:http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.3/word-1.3.jar
    
    2、创建目录solr-5.1.0/example/solr/lib,将word-1.3.jar复制到lib目录
    
    3、配置schema指定分词器
    将solr-5.1.0/example/solr/collection1/conf/schema.xml文件中所有的
    <tokenizer class="solr.WhitespaceTokenizerFactory"/>和
    <tokenizer class="solr.StandardTokenizerFactory"/>全部替换为
    <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>
    并移除所有的filter标签
    
    4、如果需要使用特定的分词算法:
    <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/>
    segAlgorithm可选值有:  
    正向最大匹配算法:MaximumMatching
    逆向最大匹配算法:ReverseMaximumMatching
    正向最小匹配算法:MinimumMatching
    逆向最小匹配算法:ReverseMinimumMatching
    双向最大匹配算法:BidirectionalMaximumMatching
    双向最小匹配算法:BidirectionalMinimumMatching
    双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
    全切分算法:FullSegmentation
    最少分词算法:MinimalWordCount
    最大Ngram分值算法:MaxNgramScore
    如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching
    
    5、如果需要指定特定的配置文件:
    <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"
            conf="solr-5.1.0/example/solr/nutch/conf/word.local.conf"/>
    word.local.conf文件中可配置的内容见 word-1.3.jar 中的word.conf文件
    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、打开命令行并切换到elasticsearch的bin目录
    cd elasticsearch-1.5.1/bin
    
    2、运行plugin脚本安装word分词插件:
    ./plugin -u http://apdplat.org/word/archive/v1.2.zip -i word
    
    3、修改文件elasticsearch-1.5.1/config/elasticsearch.yml,新增如下配置:    
    index.analysis.analyzer.default.type : "word"
    index.analysis.tokenizer.default.type : "word"
    
    4、启动ElasticSearch测试效果,在Chrome浏览器中访问:    
    http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者
    
    5、自定义配置
    修改配置文件elasticsearch-1.5.1/plugins/word/word.local.conf
    
    6、指定分词算法
    修改文件elasticsearch-1.5.1/config/elasticsearch.yml,新增如下配置:
    index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching"
    index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching"
    
    这里segAlgorithm可指定的值有:
    正向最大匹配算法:MaximumMatching
    逆向最大匹配算法:ReverseMaximumMatching
    正向最小匹配算法:MinimumMatching
    逆向最小匹配算法:ReverseMinimumMatching
    双向最大匹配算法:BidirectionalMaximumMatching
    双向最小匹配算法:BidirectionalMinimumMatching
    双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
    全切分算法:FullSegmentation
    最少分词算法:MinimalWordCount
    最大Ngram分值算法:MaxNgramScore
    如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching

    19、Luke插件:

    1、下载http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar(国内不能访问)
    
    2、下载并解压Java中文分词组件word-1.0-bin.zip:http://pan.baidu.com/s/1dDziDFz
    
    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
    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、
    .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
    
    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
    就可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器了
    
    5、在Plugins选项卡的Available analyzers found on the current classpath里面也可以选择 
    org.apdplat.word.lucene.ChineseWordAnalyzer 分词器
    
    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
    mvn dependency:copy-dependencies复制依赖的jar包,接着在target/dependency/目录下就会有所有
    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,
    target/dependency/logback-classic-0.9.28.jar和
    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
    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
    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:

    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。
    通过计算词向量的相似性,即可得到词的相似性。
    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。
    
    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
    
    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、word分词 最大Ngram分值算法:
    分词速度:397.73047 字符/毫秒
    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
    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
    
    2、word分词 全切分算法:
    分词速度:67.032585 字符/毫秒
    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
    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
    
    3、word分词 双向最大最小匹配算法:
    分词速度:367.99805 字符/毫秒
    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
    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
    
    4、word分词 最少分词算法:
    分词速度:364.40622 字符/毫秒
    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
    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
    
    5、word分词 双向最小匹配算法:
    分词速度:657.13635 字符/毫秒
    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
    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
    
    6、word分词 双向最大匹配算法:
    分词速度:539.0905 字符/毫秒
    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
    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
    
    7、word分词 正向最大匹配算法:
    分词速度:662.2127 字符/毫秒
    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
    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
    
    8、word分词 逆向最大匹配算法:
    分词速度:1082.0459 字符/毫秒
    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
    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
    
    9、word分词 逆向最小匹配算法:
    分词速度:1906.6315 字符/毫秒
    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
    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
    
    10、word分词 正向最小匹配算法:
    分词速度:1839.1554 字符/毫秒
    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
    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

    展开全文
  • 满意答案11号T田2016.05.23采纳率:46%等级:7已帮助:759人参考如下1、快速体验运行项目根目录下脚本demo-word.bat可以快速体验分词效果用法: command [text] [input] [output]命令command可选值为:demo、text...

    满意答案

    02ae427d08e371d7e90d5b995e828d6d.png

    11号T田

    2016.05.23

    02ae427d08e371d7e90d5b995e828d6d.png

    采纳率:46%    等级:7

    已帮助:759人

    参考如下

    1、快速体验

    运行项目根目录下的脚本demo-word.bat可以快速体验分词效果

    用法: command [text] [input] [output]

    命令command的可选值为:demo、text、file

    demo

    text 杨尚川是APDPlat应用级产品开发平台的作者

    file d:/text.txt d:/word.txt

    exit

    2、对文本进行分词

    移除停用词:List words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者");

    保留停用词:List words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者");

    System.out.println(words);

    输出:

    移除停用词:[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]

    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

    String input = "d:/text.txt";

    String output = "d:/word.txt";

    移除停用词:WordSegmenter.seg(new File(input), new File(output));

    保留停用词:WordSegmenter.segWithStopWords(new File(input), new File(output));

    4、自定义配置文件

    默认配置文件为类路径下的word.conf,打包在word-x.x.jar中

    自定义配置文件为类路径下的word.local.conf,需要用户自己提供

    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

    配置文件编码为UTF-8

    5、自定义用户词库

    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

    用户词库由多个词典文件组成,文件编码为UTF-8

    词典文件的格式为文本文件,一行代表一个词

    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

    类路径下的词典文件,需要在相对路径前加入前缀classpath:

    指定方式有三种:

    指定方式一,编程指定(高优先级):

    WordConfTools.set("dic.path", "classpath:dic.txt,d:/custom_dic");

    DictionaryFactory.reload();//更改词典路径之后,重新加载词典

    指定方式二,Java虚拟机启动参数(中优先级):

    java -Ddic.path=classpath:dic.txt,d:/custom_dic

    指定方式三,配置文件指定(低优先级):

    使用类路径下的文件word.local.conf来指定配置信息

    dic.path=classpath:dic.txt,d:/custom_dic

    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

    使用方式和自定义用户词库类似,配置项为:

    stopwords.path=classpath:stopwords.txt,d:/custom_stopwords_dic

    7、自动检测词库变化

    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

    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

    如:

    classpath:dic.txt,classpath:custom_dic_dir,

    d:/dic_more.txt,d:/DIC_DIR,D:/DIC2_DIR,my_dic_dir,my_dic_file.txt

    classpath:stopwords.txt,classpath:custom_stopwords_dic_dir,

    d:/stopwords_more.txt,d:/STOPWORDS_DIR,d:/STOPWORDS2_DIR,stopwords_dir,remove.txt

    8、显式指定分词算法

    对文本进行分词时,可显式指定特定的分词算法,如:

    WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching);

    SegmentationAlgorithm的可选类型为:

    正向最大匹配算法:MaximumMatching

    逆向最大匹配算法:ReverseMaximumMatching

    正向最小匹配算法:MinimumMatching

    逆向最小匹配算法:ReverseMinimumMatching

    双向最大匹配算法:BidirectionalMaximumMatching

    双向最小匹配算法:BidirectionalMinimumMatching

    双向最大最小匹配算法:BidirectionalMaximumMinimumMatching

    全切分算法:FullSegmentation

    最少分词算法:MinimalWordCount

    最大Ngram分值算法:MaxNgramScore

    9、分词效果评估

    运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估

    评估采用的测试文本有253 3709行,共2837 4490个字符

    评估结果位于target/evaluation目录下:

    corpus-text.txt为分好词的人工标注文本,词之间以空格分隔

    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

    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

    result-text-***.txt,***为各种分词算法名称,这是word分词结果

    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

    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

    00分享举报

    展开全文
  • word分词是一个Java实现的中文分词组件,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。 同时提供了Lucene...
    关键字:java中文分词组件-word分词


    word分词器主页 :https://github.com/ysc/word



    word分词是一个Java实现的中文分词组件,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。 同时提供了Lucene、Solr、ElasticSearch插件。

    分词使用方法:


      1、快速体验
      运行项目根目录下的脚本demo-word.bat可以快速体验分词效果
      用法: command [text] [input] [output]
      命令command的可选值为:demo、text、file
      demo
      text 杨尚川是APDPlat应用级产品开发平台的作者
      file d:/text.txt d:/word.txt
      exit

      2、对文本进行分词
      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");
      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");
      System.out.println(words);


      输出:
      移除停用词:[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]
      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
      String input = "d:/text.txt";
      String output = "d:/word.txt";
      移除停用词:WordSegmenter.seg(new File(input), new File(output));
      保留停用词:WordSegmenter.segWithStopWords(new File(input), new File(output));

      4、自定义配置文件
      默认配置文件为类路径下的word.conf,打包在word-x.x.jar中
      自定义配置文件为类路径下的word.local.conf,需要用户自己提供
      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
      配置文件编码为UTF-8


      5、自定义用户词库
      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
      用户词库由多个词典文件组成,文件编码为UTF-8
      词典文件的格式为文本文件,一行代表一个词
      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
      类路径下的词典文件,需要在相对路径前加入前缀classpath:


      指定方式有三种:
      指定方式一,编程指定(高优先级):
      WordConfTools.set("dic.path", "classpath:dic.txt,d:/custom_dic");
      DictionaryFactory.reload();//更改词典路径之后,重新加载词典
      指定方式二,Java虚拟机启动参数(中优先级):
      java -Ddic.path=classpath:dic.txt,d:/custom_dic
      指定方式三,配置文件指定(低优先级):
      使用类路径下的文件word.local.conf来指定配置信息
      dic.path=classpath:dic.txt,d:/custom_dic

      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
      使用方式和自定义用户词库类似,配置项为:
      stopwords.path=classpath:stopwords.txt,d:/custom_stopwords_dic

      7、自动检测词库变化
      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
      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
      如:
      classpath:dic.txt,classpath:custom_dic_dir,
      d:/dic_more.txt,d:/DIC_DIR,D:/DIC2_DIR,my_dic_dir,my_dic_file.txt


      classpath:stopwords.txt,classpath:custom_stopwords_dic_dir,
      d:/stopwords_more.txt,d:/STOPWORDS_DIR,d:/STOPWORDS2_DIR,stopwords_dir,remove.txt


      8、显式指定分词算法
      对文本进行分词时,可显式指定特定的分词算法,如:
      WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching);


      SegmentationAlgorithm的可选类型为:
      正向最大匹配算法:MaximumMatching
      逆向最大匹配算法:ReverseMaximumMatching
      正向最小匹配算法:MinimumMatching
      逆向最小匹配算法:ReverseMinimumMatching
      双向最大匹配算法:BidirectionalMaximumMatching
      双向最小匹配算法:BidirectionalMinimumMatching
      双向最大最小匹配算法:BidirectionalMaximumMinimumMatching

      9、分词效果评估
      运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估
      评估采用的测试文本有253 3709行,共2837 4490个字符
      评估结果位于target/evaluation目录下:
      corpus-text.txt为分好词的人工标注文本,词之间以空格分隔
      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
      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
      result-text-***.txt,***为各种分词算法名称,这是word分词结果
       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
       wrong-result-***.txt,***为各种分词算法名称,这是分词结果


    Lucene插件:

      1、构造一个word分析器ChineseWordAnalyzer
      Analyzer analyzer = new ChineseWordAnalyzer();

      2、利用word分析器切分文本
      TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者");
      while(tokenStream.incrementToken()){
      CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);
      OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
      System.out.println(charTermAttribute.toString()+" "+offsetAttribute.startOffset());
      }


      3、利用word分析器建立Lucene索引
      Directory directory = new RAMDirectory();
      IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_47, analyzer);
      IndexWriter indexWriter = new IndexWriter(directory, config);





      4、利用word分析器查询Lucene索引
      QueryParser queryParser = new QueryParser(Version.LUCENE_47, "text", analyzer);
      Query query = queryParser.parse("text:杨尚川");
      TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);




    Solr插件:


      1、生成分词组件二进制jar
      执行 mvn clean install 生成word中文分词组件target/word-1.0.jar


      2、创建目录solr-4.7.1/example/solr/lib,将target/word-1.0.jar文件复制到lib目录


      3、配置schema指定分词器
      将solr-4.7.1/example/solr/collection1/conf/schema.xml文件中所有的
      <tokenizer class="solr.WhitespaceTokenizerFactory"/>和
      <tokenizer class="solr.StandardTokenizerFactory"/>全部替换为
      <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>
      并移除所有的filter标签

      4、如果需要使用特定的分词算法:
      <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/>
      segAlgorithm可选值有:
      正向最大匹配算法:MaximumMatching
      逆向最大匹配算法:ReverseMaximumMatching
      正向最小匹配算法:MinimumMatching
      逆向最小匹配算法:ReverseMinimumMatching
      双向最大匹配算法:BidirectionalMaximumMatching
      双向最小匹配算法:BidirectionalMinimumMatching
      双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
      如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching

      5、如果需要指定特定的配置文件:
      <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"
      conf="C:/solr-4.7.0/example/solr/nutch/conf/word.local.conf"/>
      word.local.conf文件中可配置的内容见 word-1.0.jar 中的word.conf文件
      如不指定,使用默认配置文件,位于 word-1.0.jar 中的word.conf文件




    ElasticSearch插件:


      1、执行命令: mvn clean install dependency:copy-dependencies


      2、创建目录elasticsearch-1.1.0/plugins/word


      3、将中文分词库文件target/word-1.0.jar和依赖的日志库文件
      target/dependency/slf4j-api-1.6.4.jar
      target/dependency/logback-core-0.9.28.jar
      target/dependency/logback-classic-0.9.28.jar
      复制到刚创建的word目录


      4、修改文件elasticsearch-1.1.0/config/elasticsearch.yml,新增如下配置:
      index.analysis.analyzer.default.type : "word"
      index.analysis.tokenizer.default.type : "word"


      5、启动ElasticSearch测试效果,在Chrome浏览器中访问:
      http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者


      6、自定义配置
      从word-1.0.jar中提取配置文件word.conf,改名为word.local.conf,放到elasticsearch-1.1.0/plugins/word目录下


      7、指定分词算法
      修改文件elasticsearch-1.1.0/config/elasticsearch.yml,新增如下配置:
      index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching"
      index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching"


      这里segAlgorithm可指定的值有:
      正向最大匹配算法:MaximumMatching
      逆向最大匹配算法:ReverseMaximumMatching
      正向最小匹配算法:MinimumMatching
      逆向最小匹配算法:ReverseMinimumMatching
      双向最大匹配算法:BidirectionalMaximumMatching
      双向最小匹配算法:BidirectionalMinimumMatching
      双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
      如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching

    词向量:

      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。
      通过计算词向量的相似性,即可得到词的相似性。
      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。

      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


      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
    展开全文
  • 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...
  • 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...
  • mecab分词组建更新比较快,而且开源,使用起来也很方便。 项目地址:https://code.google.com/p/mecab/1. 下载词典:如果是linux上使用 下载 ...
  • 本文介绍一下Lucene.Net 是什么?...Lucene.net 起初是一个开源项目然后转向商业化,也在Lucene.net 2.0已经发布,不过是要money D ,Lucene.net命运有点类似于FreeTextBox ,它在 1.6.5 版本之后发布 ...
  • mecab分词组建更新比较快,而且开源,使用起来也很方便。 项目地址:https://code.google.com/p/mecab/1. 下载词典:如果是linux上使用 下载 ...
  • 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。同时提供了...
  • word分词是一个Java实现的中文分词组件,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。 同时提供了Lucene...
  • 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...
  • 这次分享一个实用过的分词器--word分词器,详细信息可以点我看看 没有废话直接上代码,代码通俗易懂,如果实在还是有问题可以留言讨论; 1.引入pom信息 <dependency> <groupId>org.apdplat</...
  • 1:Elasticsearch开源中文分词器 IK Analysis(Star:2471) IK中文分词器在Elasticsearch上使用。原生IK中文分词是从文件系统中读取词典,es-ik本身可扩展成从不同源读取词典。目前提供从sqlite3数据库中读取。...
  • 官网地址:http://thulac.thunlp.org,该项目提供了多种语言,本文以java版为例,先下载以下二个组件:1、THULAC_lite_v1_2分词java版可执行jar包:THULAC_lite_java_v1_2_run.jar2、THULAC模型,包括分词模型和...
  • IKAnalyzerIKAnalyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包。...新版本的IKAnalyzer3.0则发展为面向Java的公用分词组件,独立于Lucene项目,同时提供了对Lucene的默认优化实现。...
  • ####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...
  • 展开全部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e69da5e887aa62616964757a686964616f31333363376532,并利用ngram模型来消除歧义。如果需要安装word分词器可以参考下面的步骤...

空空如也

空空如也

1 2 3 4 5 ... 14
收藏数 264
精华内容 105
关键字:

java的分词组件

java 订阅