开源中国诚邀您参加 CloudFoundry 中国群英会!(北京、上海、杭州、成都、深圳)
Genius
Genius是一个开源的python中文分词组件,采用 CRF(Conditional Random Field)条件随机场算法。
Feature
-
支持python2.x、python3.x以及pypy2.x。
-
支持简单的pinyin分词
-
支持用户自定义break
-
支持用户自定义合并词典
-
支持词性标注
Source Install
-
安装git: 1) ubuntu or debianapt-get install git2) fedora or redhatyum install git
-
下载代码:git clone https://github.com/duanhongyi/genius.git
-
安装代码:python setup.py install
Pypi Install
-
执行命令:easy_install genius或者pip install genius
Algorithm
-
采用trie树进行合并词典查找
-
基于wapiti实现条件随机场分词
-
可以通过genius.loader.ResourceLoader来重载默认的字典
功能 1):分词genius.seg_text方法
-
genius.seg_text函数接受5个参数:
-
text第一个参数为需要分词的字符
-
use_break代表对分词结构进行打断处理
-
use_combine代表是否使用字典进行词合并
-
use_tagging代表是否进行词性标注
-
use_pinyin_segment代表是否对拼音进行分词处理
代码示例( 全功能分词 )
#encoding=utf-8
import genius
text = u"""昨天,我和施瓦布先生一起与部分企业家进行了交流,大家对中国经济当前、未来发展的态势、走势都十分关心。"""
seg_list = genius.seg_text(
text,
use_combine=True,
use_pinyin_segment=True,
use_tagging=True,
use_break=True
)
print('\n'.join(['%s\t%s' % (word.text, word.tagging) for word in seg_list]))
功能 2):面向索引分词
-
genius.seg_keywords方法专门为搜索引擎索引准备,保留歧义分割。
-
text第一个参数为需要分词的字符
-
use_break代表对分词结构进行打断处理
-
use_tagging代表是否进行词性标注
-
use_pinyin_segment代表是否对拼音进行分词处理
-
由于合并操作与此方法有意义上的冲突,此方法并不提供合并功能;并且如果采用此方法做索引时候,检索时不推荐genius.seg_text使用use_combine=True参数。
代码示例
#encoding=utf-8
import genius
seg_list = genius.seg_keywords(u'南京市长江大桥')
print('\n'.join([word.text for word in seg_list]))
其他说明 3):
-
目前分词语料出自1998年1月份,所以对于新闻类文章分词较为准确。
-
CRF分词效果很大程度上依赖于训练语料的类别以及覆盖度,若解决语料问题分词和标注效果还有很大的提升空间。