Yaha - Python 中文分词库


MIT
跨平台
Python

软件简介

“哑哈”中文分词,更快或更准确,由你来定义。通过简单定制,让分词模块更适用于你的需求。 “Yaha” You can custom your Chinese
Word Segmentation efficiently by using Yaha

基本功能:

  • 精确模式,将句子切成最合理的词。
  • 全模式,所有的可能词都被切成词,不消除歧义。
  • 搜索引擎模式,在精确的基础上再次驿长词进行切分,提高召回率,适合搜索引擎创建索引。
  • 备选路径,可生成最好的多条切词路径,可在此基础上根据其它信息得到更精确的分词模式。

可用插件:

  • 正则表达式插件
  • 人名前缀插件
  • 地名后缀插件
  • 定制功能。分词过程产生4种阶段,每个阶段都可以加入个人的定制。

附加功能:

  • 新词学习功能。通过输入大段文字,学习到此内容产生的新老词语。
  • 获取大段文本的关键字。
  • 获取大段文本的摘要。
  • 支持用户自定义词典

Algorithm

  • 核心是基于查找句子的最大概率路径来进行分词。
  • 保证效率的基础上,对分词的各个阶段进行定义,方便用户添加属于自己的分词方法(默认有正则,前缀名字与后缀地名)。
  • 用户可自定义使用动态规划或Dijdstra算法得到最优的一条或多条路径,再次可根据词性(中科大ictclas的作法)等其它信息得获得最优路径。
  • 使用“最大熵”算法来实现对大文本的新词发现能力,很适合使用它来创建自定义词典,或在SNS等场合进行数据挖掘的工作。
  • 相比已存在的结巴分词,去掉了很消耗内存的Trie树结构,以及新词发现能力并不强的HMM模型(未来此模型可能当成一个备选插件加入到此模块)。

目前状态

以上提到的核心部分以及基础功能都已得到实现。不过一些细节正在实现当中,目前还未发布版本。
一些片段的代码可以从我的代码分享得到:http://www.oschina.net/code/list_by_user?id=1180874