分词工具包比较&jieba分词

1 分词工具包介绍

现有中文分词工具包有多种，包括ICTCLAD，MMSEG4J，IKAnalyser，JIEBA，THULAC，HanLP等等。

1.1 JIEBA

JIEBA是PYTHON平台上比较活跃的中文分词包 ，它支持三种分词模式：

（1）精确模式，试图将句子最精确地切开，适合文本分析；
（2）全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
（3）搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

算法：

（1）基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG) 
（2）采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
（3）对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

1.2 MMSEG4J

MMSEG4J是基于java的开源中文分词组件，提供Luscene和solr接口。其中文算法有三种分词方法，simple，complex和maxword。MMSEG4J 用 Chih-Hao Tsai 的 MMSeg 算法 实现的中文分词器，并实现 lucene的analyzer和solr的TokenizerFactory 以方便在Lucene