轻量级中文分词器 Jcseg 2.6.2发布

时间:2020-02-26 10:54:15 来源: 开源中国


Jcseg是基于mmseg算法的一个轻量级中文分词器,同时集成了关键字提取,关键短语提取,关键句子提取和文章自动摘要等功能,并且提供了一个基于Jetty的web服务器,方便各大语言直接http调用,同时提供了最新版本的lucene,solr和elasticsearch的分词接口!

Jcseg 2.6.2版本主要功能都是为Gitee的搜索设计的,体验可以搓:https://search.gitee.com/?skin=rec&type=repository&q=%E5%88%86%E8%AF%8D

2.6.2版本主要更新内容如下:

1,升级到对lucene 8.20,solr 8.2.0和Elasticsearch的7.4.2版本的支持,Gitee搜索目前用的Elasticseach 7.4.2版本。

2,增加solr和elasticsearch索引级别的分词配置,可以不同索引使用不同的分词配置,具体可以参考Gitee搜索资源分享中的mapping:https://gitee.com/oschina/gitee-search-share。

3,部分已有词库的优化,拼音,词性,同义词等。

4,二次切分优化,增加中英混合词的的二次切分支持。

5,增加n-gram切分模式,可以自定义n,实现n-gram的切分,例如:”中文分词“ 1-gram会被切分成”中 文 分 词“,此功能在Gitee的搜索提示中用到了。

6,增加英文词条的切分,大部分的分词器对于英文都只是通过空格或者标点来切分,这个版本jcseg增加了对英文的切分,同时也是通过mmseg算法来去除歧义,例如:

英文组合词条:

jcseg~tokenizer:complex>> openarkcompiler

分词结果:

open[0,4]/n ark[4,3]/n compiler[7,8]/n

Done, total:15, tokens:3, in 0.00000sec

例如Gitee搜索”openark“:https://search.gitee.com/?q=openark&skin=rec&type=repository

拼音组合词条:

jcseg~tokenizer:complex>> guanyuwomen

分词结果:

guanyu[0,6]/p women[6,5]/n

Done, total:11, tokens:2, in 0.00105sec

例如:Gitee搜索"中文huancunxitong":https://search.gitee.com/?q=huancunxitong&skin=rec&type=repository

7,增加英文词库和拼音词库,用于支撑上述的英文切分,这个英文也包括拼音的切分,例如:Gitee搜索的拼音和汉语相互搜索:

搜索”fenci“:https://search.gitee.com/?q=fenci&skin=rec&type=repository

搜索”分词“:https://search.gitee.com/?q=%E5%88%86%E8%AF%8D&skin=rec&type=repository

搜索”中文分词“:https://search.gitee.com/?q=%E4%B8%AD%E6%96%87%E5%88%86%E8%AF%8D&skin=rec&type=repository

搜索”中文fenci“:https://search.gitee.com/?q=%E4%B8%AD%E6%96%87fenci&skin=rec&type=repository

8,同义词优化,同义词词库和offset逻辑无缝对接lucene的increasement设计,便于实现同义词的检索和高亮,例如:Gitee搜索的同义词效果如下:

搜索”中文分词“:https://search.gitee.com/?q=%E4%B8%AD%E6%96%87%E5%88%86%E8%AF%8D&skin=rec&type=repository

搜索”汉语分词“:https://search.gitee.com/?q=%E6%B1%89%E8%AF%AD%E5%88%86%E8%AF%8D&skin=rec&type=repository

搜索”普通话分词“:https://search.gitee.com/?q=%E6%99%AE%E9%80%9A%E8%AF%9D%E5%88%86%E8%AF%8D&skin=rec&type=repository

9,更改了Jcseg的API设计,使用函数接口来代替部分的class查找,使用更方便,API变更为如下:

//创建SegmenterConfig分词配置实例,自动查找加载jcseg.properties配置项来初始化

SegmenterConfig config = new SegmenterConfig(true);

//创建默认单例词库实现,并且按照config配置加载词库

ADictionary dic = DictionaryFactory.createSingletonDictionary(config);

//依据给定的ADictionary和SegmenterConfig来创建ISegment

//为了Api往后兼容,建议使用SegmentFactory来创建ISegment对象

ISegment seg = ISegment.COMPLEX.factory.create(config, dic);

//备注:以下代码可以反复调用,seg为非线程安全

//设置要被分词的文本

String str = "研究生命起源。";

seg.reset(new StringReader(str));

//获取分词结果

IWord word = null;

while ( (word = seg.next()) != null ) {

System.out.println(word.getValue());

}

10,BUG修复:

英文切分的offset问题:https://gitee.com/lionsoul/jcseg/issues/I19IQ4

NLP日期实体识别问题:https://gitee.com/lionsoul/jcseg/issues/I17DMS

maven仓库(中央仓库同步中...):

org.lionsoul

jcseg-core

2.6.2

 

关键词:

关于我们 加入我们 广告服务 网站地图

All Rights Reserved, Copyright 2004-2020 www.ctocio.com.cn

如有意见请与我们联系 邮箱:5 53 13 8 [email protected]

豫ICP备20005723号    IT专家网 版权所有