日前，北京大學(xué)語言計算與機(jī)器學(xué)習(xí)研究組研制推出一套全新中文分詞工具包 pkuseg，這一工具包有如下三個特點(diǎn)：

高分詞準(zhǔn)確率。相比于其他的分詞工具包，當(dāng)使用相同的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，pkuseg 可以取得更高的分詞準(zhǔn)確率。

多領(lǐng)域分詞。不同于以往的通用中文分詞工具，此工具包同時致力于為不同領(lǐng)域的數(shù)據(jù)提供個性化的預(yù)訓(xùn)練模型。根據(jù)待分詞文本的領(lǐng)域特點(diǎn)，用戶可以自由地選擇不同的模型。而其他現(xiàn)有分詞工具包，一般僅提供通用領(lǐng)域模型。

支持用戶自訓(xùn)練模型。支持用戶使用全新的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。

各項性能對比如下：

與 jieba、THULAC 等國內(nèi)代表分詞工具包進(jìn)行性能比較：

考慮到 jieba 分詞和 THULAC 工具包等并沒有提供細(xì)領(lǐng)域的預(yù)訓(xùn)練模型，為了便于比較，開發(fā)團(tuán)隊重新使用它們提供的訓(xùn)練接口在細(xì)領(lǐng)域的數(shù)據(jù)集上進(jìn)行訓(xùn)練，用訓(xùn)練得到的模型進(jìn)行中文分詞。他們選擇 Linux 作為測試環(huán)境，在新聞數(shù)據(jù)(MSRA)、混合型文本(CTB8)、網(wǎng)絡(luò)文本(WEIBO)數(shù)據(jù)上對不同工具包進(jìn)行了準(zhǔn)確率測試。在此過程中，他們使用第二屆國際漢語分詞評測比賽提供的分詞評價腳本，其中 MSRA 與 WEIBO 使用標(biāo)準(zhǔn)訓(xùn)練集測試集劃分，CTB8 采用隨機(jī)劃分。對于不同的分詞工具包，訓(xùn)練測試數(shù)據(jù)的劃分都是一致的；即所有的分詞工具包都在相同的訓(xùn)練集上訓(xùn)練，在相同的測試集上測試。

以下是在不同數(shù)據(jù)集上的對比結(jié)果：

同時，為了比較細(xì)領(lǐng)域分詞的優(yōu)勢，開發(fā)團(tuán)隊比較了他們的方法和通用分詞模型的效果對比。其中 jieba 和 THULAC 均使用了軟件包提供的、默認(rèn)的分詞模型：

從結(jié)果上來看，當(dāng)用戶了解待分詞文本的領(lǐng)域時，細(xì)領(lǐng)域分詞可以取得更好的效果。然而 jieba 和 THULAC 等分詞工具包僅提供了通用領(lǐng)域模型。

目前，該工具包已經(jīng)在 GitHub 開源，編譯、安裝和使用說明如下。

編譯和安裝

1. 通過 pip 下載(自帶模型文件)

pip install pkuseg之后通過 import pkuseg 來引用

2. 從 github 下載(需要下載模型文件，見預(yù)訓(xùn)練模型)

將 pkuseg 文件放到目錄下，通過 import pkuseg 使用模型需要下載或自己訓(xùn)練。

使用方式

1. 代碼示例

代碼示例1 使用默認(rèn)模型及默認(rèn)詞典分詞import pkusegseg = pkuseg.pkuseg() #以默認(rèn)配置加載模型text = seg.cut('我愛北京***') #進(jìn)行分詞print(text)

代碼示例2 設(shè)置用戶自定義詞典import pkuseglexicon = ['北京大學(xué)', '北京***'] #希望分詞時用戶詞典中的詞固定不分開seg = pkuseg.pkuseg(user_dict=lexicon) #加載模型，給定用戶詞典text = seg.cut('我愛北京***') #進(jìn)行分詞print(text)

代碼示例3import pkusegseg = pkuseg.pkuseg(model_name='./ctb8') #假設(shè)用戶已經(jīng)下載好了ctb8的模型并放在了'./ctb8'目錄下，通過設(shè)置model_name加載該模型text = seg.cut('我愛北京***') #進(jìn)行分詞print(text)

代碼示例4import pkusegpkuseg.test('input.txt', 'output.txt', nthread=20) #對input.txt的文件分詞輸出到output.txt中，使用默認(rèn)模型和詞典，開20個進(jìn)程

代碼示例5import pkusegpkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models', nthread=20) #訓(xùn)練文件為'msr_training.utf8'，測試文件為'msr_test_gold.utf8'，模型存到'./models'目錄下，開20個進(jìn)程訓(xùn)練模型

2. 參數(shù)說明

pkuseg.pkuseg(model_name='ctb8', user_dict=[])model_name 模型路徑。默認(rèn)是'ctb8'表示我們預(yù)訓(xùn)練好的模型(僅對pip下載的用戶)。用戶可以填自己下載或訓(xùn)練的模型所在的路徑如model_name='./models'。user_dict 設(shè)置用戶詞典。默認(rèn)不使用詞典。填'safe_lexicon'表示我們提供的一個中文詞典(僅pip)。用戶可以傳入一個包含若干自定義單詞的迭代器。

pkuseg.test(readFile, outputFile, model_name='ctb8', user_dict=[], nthread=10)readFile 輸入文件路徑outputFile 輸出文件路徑model_name 同pkuseg.pkuseguser_dict 同pkuseg.pkusegnthread 測試時開的進(jìn)程數(shù)

pkuseg.train(trainFile, testFile, savedir, nthread=10)trainFile 訓(xùn)練文件路徑testFile 測試文件路徑savedir 訓(xùn)練模型的保存路徑nthread 訓(xùn)練時開的進(jìn)程數(shù)

預(yù)訓(xùn)練模型

分詞模式下，用戶需要加載預(yù)訓(xùn)練好的模型。開發(fā)團(tuán)隊提供了三種在不同類型數(shù)據(jù)上訓(xùn)練得到的模型，根據(jù)具體需要，用戶可以選擇不同的預(yù)訓(xùn)練模型。以下是對預(yù)訓(xùn)練模型的說明：

MSRA: 在MSRA（新聞?wù)Z料）上訓(xùn)練的模型。新版本代碼采用的是此模型。

下載地址：https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

CTB8: 在CTB8（新聞文本及網(wǎng)絡(luò)文本的混合型語料）上訓(xùn)練的模型。

下載地址：https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

WEIBO: 在微博（網(wǎng)絡(luò)文本語料）上訓(xùn)練的模型。

下載地址：https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

開發(fā)團(tuán)隊預(yù)訓(xùn)練好其它分詞軟件的模型可以在如下地址下載：

jieba: 待更新

THULAC: 在 MSRA、CTB8、WEIBO、PKU 語料上的預(yù)訓(xùn)練模型，下載地址：https://pan.baidu.com/s/11L95ZZtRJdpMYEHNUtPWXA，提取碼：iv82

其中 jieba 的默認(rèn)模型為統(tǒng)計模型，主要基于訓(xùn)練數(shù)據(jù)上的詞頻信息，開發(fā)團(tuán)隊在不同訓(xùn)練集上重新統(tǒng)計了詞頻信息。對于 THULAC，他們使用其提供的接口進(jìn)行訓(xùn)練(C++版本)，得到了在不同領(lǐng)域的預(yù)訓(xùn)練模型。