Mahjong中文分词
简介
麻将一直是广受欢迎的传统娱乐活动,字牌的组合千变万化。汉字的组合也是变化多端,Mahjong这个项目希望能从汉字组合中发现汉语的秘密,为自然语言处理提供好的中文分词工具。
Mahjong是基于Scala语言实现的中文分词软件包。这个项目的核心是最大概率分词,整个项目专为搜索引擎、文本信息抽取和自然语言处理设计,参考我关于中文分词的一些思考来实现。性能优异、速度快。整个分词包易于使用,测试覆盖率高。
在线展示
打开链接 http://mahjong.yingrui.me/,您可以自己测试它的功能。 有任何问题,可以发邮件至: yingrui.f@gmail.com。
分词歧义解决方案
分词的方法有很多,现在越来越多的研究认为分词是一个的序列标注问题。但是基于词典的方法速度快,容易快速应用在领域应用中。
如何平衡基于词典的最大概率分词与基于标注的分词算法呢?Mahjong将这两种算法结合起来,用来解决分词歧义的问题。
Mahjong的使用方法
在pom.xml中加入以下依赖即可使用:
<dependency>
<groupId>me.yingrui.mahjong</groupId>
<artifactId>lib-segment</artifactId>
<version>1.0</version>
</dependency>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.11.8</version>
</dependency>
<dependency>
<groupId>org.scala-lang.modules</groupId>
<artifactId>scala-parser-combinators_2.11</artifactId>
<version>1.0.5</version>
</dependency>
在Java中使用
Map<String, String> params = new HashMap<String, String>();
params.put("minimize.word", "true");
SegmentWorker worker = SegmentWorkerBuilder.build(params);
SegmentResult result = worker.segment(sentence);
System.out.println(result);
在Scala中使用
val worker = SegmentWorker("minimize.word" -> "true")
val words = worker.segment(str)
println(words)
Mahjong的默认参数
# 支持查询语法,常在搜索引擎内使用,对搜索表达式中的特殊符号不分词
support.querysyntax = false
# 加载用户词典
load.userdictionary = true
# 加载领域词典
load.domaindictionary = true
# 加载英语词典
load.englishdictionary = true
# 分词结果的颗粒度尽可能小
minimize.word = false
# 识别姓名
recognize.chinesename = true
# 将姓名的姓和名分开
separate.xingming = false
# 识别词性
recognize.partOfSpeech = true
# 全角半角转换
convert.tohalfshape = false
# 字母的大小写转换
convert.touppercase = false
# 汉字转拼音,基于隐马尔可夫模型实现
recognize.pinyin = false
# 基于文章的上下文分词
segment.context = false
实验性功能
CRF 目前被广泛应用来解决序列标注问题,Mahjong实现了CRF算法,并基于此构建了自己的分词器。并结合基于词典的分词,形成了独特的歧义解决方案。
深度学习 随着深度学习越来越火, Mahjong实现了Word2Vec算法,并基于字向量实现了基于神经网络的分词器。
实现结果显示,基于字向量的分词并不理想,必须按照歧义解决方案类似,使用基于词向量来实现分词器。
2.0计划新增功能
新功能
- 支持微博的用户ID和主题的语法
- 支持IP地址、邮件、URL、GUID、英语数字、中英文混合词
- 支持日本姓名的识别
- 支持中文日期、英文日期转ISO日期格式
- 支持Barcode的解析
增强
- 在核心词典中增加著名地区和景点
- 更新世界名人、商标、商品、公司等
- 优化核心词典,加快分词速度
- 增强地名识别
试验功能
- RNN分词
- 支持中文繁体字分词