注册

Python 中文分词库 Yaha

"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**件:
正则表达式**件
人名前缀**件
地名后缀**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**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。
已邀请:

要回复问题请先登录注册