Genius 分词 3.1.6 版本发布

jopen 10年前

Genius 分词 3.1.6 版本发布

本次更新的主要更新：

1、修复在python3.x情况下，默认系统编码不为utf8导致无法安装的情况。

2、修复wapiti在python3.x下调用出错问题。

更新方法执行命令：easy_install --upgrade genius或者pip install genius --upgrade

 

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，其中text是必填参数:

  • 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，默认值True

  • use_combine代表是否使用字典进行词合并，默认值False

  • use_tagging代表是否进行词性标注，默认值True

  • use_pinyin_segment代表是否对拼音进行分词处理，默认值True

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，其中text是必填参数。

  • 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，默认值True

  • use_tagging代表是否进行词性标注，默认值False

  • use_pinyin_segment代表是否对拼音进行分词处理，默认值False

  • 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]))

功能 3)：关键词提取

  • genius.tag_extract方法专门为提取tag关键字准备，其中text是必填参数。

  • 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，默认值True

  • use_combine代表是否使用字典进行词合并，默认值False

  • use_pinyin_segment代表是否对拼音进行分词处理，默认值False

代码示例

#encoding=utf-8  import genius    tag_list = genius.extract_tag(u'南京市长江大桥')  print('\n'.join(tag_list))

其他说明 4)：

  • 目前分词语料出自人民日报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。