建站
咨詢
售后
建站咨詢
新聞中心
最近，北大開源了一個中文分詞工具包，它在多個分詞數(shù)據(jù)集上都有非常高的分詞準(zhǔn)確率。其中廣泛使用的結(jié)巴分詞誤差率高達 18.55% 和 20.42，而北大的 pkuseg 只有 3.25% 與 4.32%。
成都創(chuàng)新互聯(lián)從2013年成立，先為安陽等服務(wù)建站，安陽等地企業(yè)，進行企業(yè)商務(wù)咨詢服務(wù)。為安陽企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。
pkuseg 是由北京大學(xué)語言計算與機器學(xué)習(xí)研究組研制推出的一套全新的中文分詞工具包。它簡單易用，支持多領(lǐng)域分詞，在不同領(lǐng)域的數(shù)據(jù)上都大幅提高了分詞的準(zhǔn)確率。
-
項目地址：https://github.com/lancopku/PKUSeg-python
pkuseg 具有如下幾個特點：
-
高分詞準(zhǔn)確率：相比于其他的分詞工具包，該工具包在不同領(lǐng)域的數(shù)據(jù)上都大幅提高了分詞的準(zhǔn)確度。根據(jù)北大研究組的測試結(jié)果，pkuseg 分別在示例數(shù)據(jù)集（MSRA 和 CTB8）上降低了 79.33% 和 63.67% 的分詞錯誤率。
-
多領(lǐng)域分詞：研究組訓(xùn)練了多種不同領(lǐng)域的分詞模型。根據(jù)待分詞的領(lǐng)域特點，用戶可以自由地選擇不同的模型。
-
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。
此外，作者們還選擇 THULAC、結(jié)巴分詞等國內(nèi)代表分詞工具包與 pkuseg 做性能比較。他們選擇 Linux 作為測試環(huán)境，在新聞數(shù)據(jù)（MSRA）和混合型文本（CTB8）數(shù)據(jù)上對不同工具包進行了準(zhǔn)確率測試。此外，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。評測結(jié)果如下：
我們可以看到，最廣泛使用的結(jié)巴分詞準(zhǔn)確率***，清華構(gòu)建的 THULAC 分詞準(zhǔn)確率也沒有它高。當(dāng)然，pkuseg 是在這些數(shù)據(jù)集上訓(xùn)練的，因此它在這些任務(wù)上的準(zhǔn)確率也會更高一些。
預(yù)訓(xùn)練模型
分詞模式下，用戶需要加載預(yù)訓(xùn)練好的模型。研究組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。以下是對預(yù)訓(xùn)練模型的說明：
-
MSRA：在 MSRA（新聞?wù)Z料）上訓(xùn)練的模型。新版本代碼采用的是此模型。
-
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。
-
WEIBO：在微博（網(wǎng)絡(luò)文本語料）上訓(xùn)練的模型。
其中，MSRA 數(shù)據(jù)由第二屆國際漢語分詞評測比賽提供，CTB8 數(shù)據(jù)由 LDC 提供，WEIBO 數(shù)據(jù)由 NLPCC 分詞比賽提供。在 GitHub 項目中，這三個預(yù)訓(xùn)練模型都提供了下載地址。
安裝與使用
pkuseg 的安裝非常簡單，我們可以使用 pip 安裝，也可以直接從 GitHub 下載：
- pip install pkuseg
使用 pkuseg 實現(xiàn)分詞也很簡單，基本上和其它分詞庫的用法都差不多：
- '''代碼示例1: 使用默認(rèn)模型及默認(rèn)詞典分詞'''
- import pkuseg
- #以默認(rèn)配置加載模型
- seg = pkuseg.pkuseg()
- #進行分詞
- text = seg.cut('我愛北京天安門')
- print(text)
- '''代碼示例2: 設(shè)置用戶自定義詞典'''
- import pkuseg
- #希望分詞時用戶詞典中的詞固定不分開
- lexicon = ['北京大學(xué)', '北京天安門']
- #加載模型，給定用戶詞典
- seg = pkuseg.pkuseg(user_dict=lexicon)
- text = seg.cut('我愛北京天安門')
- print(text)
- '''代碼示例3'''
- import pkuseg
- #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
- seg = pkuseg.pkuseg(model_name='./ctb8')
- text = seg.cut('我愛北京天安門')
- print(text)
對于大型文本數(shù)據(jù)集，如果需要快速分詞的話，我們也可以采用多線程的方式：
- '''代碼示例4'''
- import pkuseg
- #對input.txt的文件分詞輸出到output.txt中，使用默認(rèn)模型和詞典，開20個進程
- pkuseg.test('input.txt', 'output.txt', nthread=20)
***，pkuseg 還能重新訓(xùn)練一個分詞模型：
- '''代碼示例5'''
- import pkuseg
- #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)
這些都是 GitHub 上的示例，詳細的內(nèi)容請參考 GitHub 項目，例如參數(shù)說明和參考論文等。
網(wǎng)頁標(biāo)題：北大開源全新中文分詞工具包：準(zhǔn)確率遠超THULAC、結(jié)巴分詞
本文地址：http://www.dlmjj.cn/article/djdeegp.html
