Python 中文分词库“Yaha
jopen
11年前
"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。
可用插件：
- 正则表达式插件
- 人名前缀插件
- 地名后缀插件
- 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插件加入到此模块)。