中文分词工具比较：北大开源中文分词工具包

威哥 2023-03-12 10:33:22 254

中文分词工具比较：北大开源中文分词工具包除此之外，PKUSeg支持多领域分词，也支持用全新的标注数据来训练模型。△ 我们 [中出] 了个叛徒中文分词，是一门高深莫测的技术。不论对于人类，还是对于AI。最近，北大开源了一个中文分词工具包，名为PKUSeg，基于Python。工具包的分词准确率，远远超过THULAC和结巴分词这两位重要选手。

车栗子发自凹非寺

量子位报道 | 公众号 QbitAI

中文分词工具比较：北大开源中文分词工具包(1)

“土地，快告诉俺老孙，俺的金箍棒在哪？”

“大圣，您的金箍，棒就棒在特别适合您的发型。”

中文分词，是一门高深莫测的技术。不论对于人类，还是对于AI。

最近，北大开源了一个中文分词工具包，名为PKUSeg，基于Python。

工具包的分词准确率，远远超过THULAC和结巴分词这两位重要选手。

中文分词工具比较：北大开源中文分词工具包(2)

△ 我们 [中出] 了个叛徒

除此之外，PKUSeg支持多领域分词，也支持用全新的标注数据来训练模型。

准确度对比

这次比赛，PKUSeg的对手有两位：

一位是来自清华的THULAC，一位是要“做最好的中文分词组件”的结巴分词。它们都是目前主流的分词工具。

测试环境是Linux，测试数据集是MSRA (新闻数据) 和CTB8 (混合型文本) 。

结果如下：

中文分词工具比较：北大开源中文分词工具包(3)

比赛用的评判标准，是第二届国际汉语分词评测比赛提供的分词评价脚本。

在F分数和错误率两项指标上，PKUSeg都明显优于另外两位对手。

食用方法

预训练模型

PKUSeg提供了三个预训练模型，分别是在不同类型的数据集上训练的。

一是用MSRA (新闻语料) 训练出的模型：

https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

二是用CTB8 (新闻文本及网络文本的混合型语料) 训练出的模型：

https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

三是在微博 (网络文本语料) 上训练的模型：

https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

中文分词工具比较：北大开源中文分词工具包(4)

△ 微博语料举栗

大家可以按照自己的需要，选择加载不同的模型。

除此之外，也可以用全新的标注数据，来训练新的模型。

代码示例

1代码示例1 使用默认模型及默认词典分词 2import pkuseg 3seg = pkuseg.pkuseg() #以默认配置加载模型 4text = seg.cut('我爱北京天安门') #进行分词 5print(text) 1代码示例2 设置用户自定义词典 2import pkuseg 3lexicon = ['北京大学' '北京天安门'] #希望分词时用户词典中的词固定不分开 4seg = pkuseg.pkuseg(user_dict=lexicon) #加载模型，给定用户词典 5text = seg.cut('我爱北京天安门') #进行分词 6print(text) 1代码示例3 2import pkuseg 3seg = pkuseg.pkuseg(model_name='./ctb8') #假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型 4text = seg.cut('我爱北京天安门') #进行分词 5print(text)

如果想自己训练一个新模型的话：

1代码示例5 2import pkuseg 3pkuseg.train('msr_training.utf8' 'msr_test_gold.utf8' './models' nthread=20) #训练文件为'msr_training.utf8'，测试文件为'msr_test_gold.utf8'，模型存到'./models'目录下，开20个进程训练模型

欲知更详细的用法，可前往文底传送门。

快去试一下

PKUSeg的作者有三位，Ruixuan Luo (罗睿轩)，Jingjing Xu (许晶晶) ，以及Xu Sun (孙栩) 。

工具包的诞生，也是基于其中两位参与的ACL论文。

准确率又那么高，还不去试试？

GitHub传送门：

https://github.com/lancopku/PKUSeg-python

论文传送门：

中文分词工具比较：北大开源中文分词工具包(5)