word 1.0 API
word 1.1 API
word 1.2 API
word 1.0
word 1.1
word 1.2
在pom.xml中指定dependency,可用版本有1.0、1.1、1.2:
<dependencies> <dependency> <groupId>org.apdplat</groupId> <artifactId>word</artifactId> <version>1.2</version> </dependency> </dependencies>
运行项目根目录下的脚本demo-word.bat可以快速体验分词效果 用法: command [text] [input] [output] 命令command的可选值为:demo、text、file demo text 杨尚川是APDPlat应用级产品开发平台的作者 file d:/text.txt d:/word.txt exit
移除停用词:List<Word> words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者"); 保留停用词:List<Word> words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者"); System.out.println(words); 输出: 移除停用词:[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者] 保留停用词:[杨尚川, 是, apdplat, 应用级, 产品, 开发平台, 的, 作者]
String input = "d:/text.txt"; String output = "d:/word.txt"; 移除停用词:WordSegmenter.seg(new File(input), new File(output)); 保留停用词:WordSegmenter.segWithStopWords(new File(input), new File(output));
默认配置文件为类路径下的word.conf,打包在word-x.x.jar中 自定义配置文件为类路径下的word.local.conf,需要用户自己提供 如果自定义配置和默认配置相同,自定义配置会覆盖默认配置 配置文件编码为UTF-8
自定义用户词库为一个或多个文件夹或文件,可以使用绝对路径或相对路径 用户词库由多个词典文件组成,文件编码为UTF-8 词典文件的格式为文本文件,一行代表一个词 可以通过系统属性或配置文件的方式来指定路径,多个路径之间用逗号分隔开 类路径下的词典文件,需要在相对路径前加入前缀classpath: 指定方式有三种: 指定方式一,编程指定(高优先级): WordConfTools.set("dic.path", "classpath:dic.txt,d:/custom_dic"); DictionaryFactory.reload();//更改词典路径之后,重新加载词典 指定方式二,Java虚拟机启动参数(中优先级): java -Ddic.path=classpath:dic.txt,d:/custom_dic 指定方式三,配置文件指定(低优先级): 使用类路径下的文件word.local.conf来指定配置信息 dic.path=classpath:dic.txt,d:/custom_dic 如未指定,则默认使用类路径下的dic.txt词典文件
使用方式和自定义用户词库类似,配置项为: stopwords.path=classpath:stopwords.txt,d:/custom_stopwords_dic
可以自动检测自定义用户词库和自定义停用词词库的变化 包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径 如: classpath:dic.txt,classpath:custom_dic_dir, d:/dic_more.txt,d:/DIC_DIR,D:/DIC2_DIR,my_dic_dir,my_dic_file.txt classpath:stopwords.txt,classpath:custom_stopwords_dic_dir, d:/stopwords_more.txt,d:/STOPWORDS_DIR,d:/STOPWORDS2_DIR,stopwords_dir,remove.txt
对文本进行分词时,可显式指定特定的分词算法,如: WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching); SegmentationAlgorithm的可选类型为: 正向最大匹配算法:MaximumMatching 逆向最大匹配算法:ReverseMaximumMatching 正向最小匹配算法:MinimumMatching 逆向最小匹配算法:ReverseMinimumMatching 双向最大匹配算法:BidirectionalMaximumMatching 双向最小匹配算法:BidirectionalMinimumMatching 双向最大最小匹配算法:BidirectionalMaximumMinimumMatching 全切分算法:FullSegmentation 最少分词算法:MinimalWordCount 最大Ngram分值算法:MaxNgramScore
运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估 评估采用的测试文本有253 3709行,共2837 4490个字符 评估结果位于target/evaluation目录下: corpus-text.txt为分好词的人工标注文本,词之间以空格分隔 test-text.txt为测试文本,是把corpus-text.txt以标点符号分隔为多行的结果 standard-text.txt为测试文本对应的人工标注文本,作为分词是否正确的标准 result-text-***.txt,***为各种分词算法名称,这是word分词结果 perfect-result-***.txt,***为各种分词算法名称,这是分词结果和人工标注标准完全一致的文本 wrong-result-***.txt,***为各种分词算法名称,这是分词结果和人工标注标准不一致的文本
1、在自定义配置文件word.conf或word.local.conf中指定所有的配置项*.path使用HTTP资源,同时指定配置项redis.* 2、配置并启动提供HTTP资源的web服务器,将项目:https://github.com/ysc/word_web部署到tomcat 3、配置并启动redis服务器
将分词结果作为输入参数,调用PartOfSpeechTagging类的process方法,词性保存在Word类的partOfSpeech字段中 如下所示: List<Word> words = WordSegmenter.segWithStopWords("我爱中国"); System.out.println("未标注词性:"+words); //词性标注 PartOfSpeechTagging.process(words); System.out.println("标注词性:"+words); 输出内容: 未标注词性:[我, 爱, 中国] 标注词性:[我/r, 爱/v, 中国/ns]
我们看一个切分例子: List<Word> words = WordSegmenter.segWithStopWords("我国工人阶级和广大劳动群众要更加紧密地团结在党中央周围"); System.out.println(words); 结果如下: [我国, 工人阶级, 和, 广大, 劳动群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围] 假如我们想要的切分结果是: [我国, 工人, 阶级, 和, 广大, 劳动, 群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围] 也就是要把“工人阶级”细分为“工人 阶级”,把“劳动群众”细分为“劳动 群众”,那么我们该怎么办呢? 我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容: 工人阶级=工人 阶级 劳动群众=劳动 群众 然后,我们对分词结果进行refine: words = WordRefiner.refine(words); System.out.println(words); 这样,就能达到我们想要的效果: [我国, 工人, 阶级, 和, 广大, 劳动, 群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围] 我们再看一个切分例子: List<Word> words = WordSegmenter.segWithStopWords("在实现“两个一百年”奋斗目标的伟大征程上再创新的业绩"); System.out.println(words); 结果如下: [在, 实现, 两个, 一百年, 奋斗目标, 的, 伟大, 征程, 上, 再创, 新的, 业绩] 假如我们想要的切分结果是: [在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩] 也就是要把“两个 一百年”合并为“两个一百年”,把“伟大, 征程”合并为“伟大征程”,那么我们该怎么办呢? 我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容: 两个 一百年=两个一百年 伟大 征程=伟大征程 然后,我们对分词结果进行refine: words = WordRefiner.refine(words); System.out.println(words); 这样,就能达到我们想要的效果: [在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩]
List<Word> words = WordSegmenter.segWithStopWords("楚离陌千方百计为无情找回记忆"); System.out.println(words); 结果如下: [楚离陌, 千方百计, 为, 无情, 找回, 记忆] 做同义标注: SynonymTagging.process(words); System.out.println(words); 结果如下: [楚离陌, 千方百计[久有存心, 化尽心血, 想方设法, 费尽心机], 为, 无情, 找回, 记忆[影象]] 如果启用间接同义词: SynonymTagging.process(words, false); System.out.println(words); 结果如下: [楚离陌, 千方百计[久有存心, 化尽心血, 想方设法, 费尽心机], 为, 无情, 找回, 记忆[影像, 影象]] List<Word> words = WordSegmenter.segWithStopWords("手劲大的老人往往更长寿"); System.out.println(words); 结果如下: [手劲, 大, 的, 老人, 往往, 更, 长寿] 做同义标注: SynonymTagging.process(words); System.out.println(words); 结果如下: [手劲, 大, 的, 老人[白叟], 往往[常常, 每每, 经常], 更, 长寿[长命, 龟龄]] 如果启用间接同义词: SynonymTagging.process(words, false); System.out.println(words); 结果如下: [手劲, 大, 的, 老人[白叟], 往往[一样平常, 一般, 凡是, 寻常, 常常, 常日, 平凡, 平居, 平常, 平日, 平时, 往常, 日常, 日常平凡, 时常, 普通, 每每, 泛泛, 素日, 经常, 通俗, 通常], 更, 长寿[长命, 龟龄]] 以词“千方百计”为例: 可以通过Word的getSynonym()方法获取同义词如: System.out.println(word.getSynonym()); 结果如下: [久有存心, 化尽心血, 想方设法, 费尽心机] 注意:如果没有同义词,则getSynonym()返回空集合:Collections.emptyList() 间接同义词和直接同义词的区别如下: 假设: A和B是同义词,A和C是同义词,B和D是同义词,C和E是同义词 则: 对于A来说,A B C是直接同义词 对于B来说,A B D是直接同义词 对于C来说,A C E是直接同义词 对于A B C来说,A B C D E是间接同义词
List<Word> words = WordSegmenter.segWithStopWords("5月初有哪些电影值得观看"); System.out.println(words); 结果如下: [5, 月初, 有, 哪些, 电影, 值得, 观看] 做反义标注: AntonymTagging.process(words); System.out.println(words); 结果如下: [5, 月初[月底, 月末, 月终], 有, 哪些, 电影, 值得, 观看] List<Word> words = WordSegmenter.segWithStopWords("由于工作不到位、服务不完善导致顾客在用餐时发生不愉快的事情,餐厅方面应该向顾客作出真诚的道歉,而不是敷衍了事。"); System.out.println(words); 结果如下: [由于, 工作, 不到位, 服务, 不完善, 导致, 顾客, 在, 用餐, 时, 发生, 不愉快, 的, 事情, 餐厅, 方面, 应该, 向, 顾客, 作出, 真诚, 的, 道歉, 而不是, 敷衍了事] 做反义标注: AntonymTagging.process(words); System.out.println(words); 结果如下: [由于, 工作, 不到位, 服务, 不完善, 导致, 顾客, 在, 用餐, 时, 发生, 不愉快, 的, 事情, 餐厅, 方面, 应该, 向, 顾客, 作出, 真诚[糊弄, 虚伪, 虚假, 险诈], 的, 道歉, 而不是, 敷衍了事[一丝不苟, 兢兢业业, 尽心竭力, 竭尽全力, 精益求精, 诚心诚意]] 以词“月初”为例: 可以通过Word的getAntonym()方法获取反义词如: System.out.println(word.getAntonym()); 结果如下: [月底, 月末, 月终] 注意:如果没有反义词,getAntonym()返回空集合:Collections.emptyList()
List<Word> words = WordSegmenter.segWithStopWords("《速度与激情7》的中国内地票房自4月12日上映以来,在短短两周内突破20亿人民币"); System.out.println(words); 结果如下: [速度, 与, 激情, 7, 的, 中国, 内地, 票房, 自, 4月, 12日, 上映, 以来, 在, 短短, 两周, 内, 突破, 20亿, 人民币] 执行拼音标注: PinyinTagging.process(words); System.out.println(words); 结果如下: [速度 sd sudu, 与 y yu, 激情 jq jiqing, 7, 的 d de, 中国 zg zhongguo, 内地 nd neidi, 票房 pf piaofang, 自 z zi, 4月, 12日, 上映 sy shangying, 以来 yl yilai, 在 z zai, 短短 dd duanduan, 两周 lz liangzhou, 内 n nei, 突破 tp tupo, 20亿, 人民币 rmb renminbi] 以词“速度”为例: 可以通过Word的getFullPinYin()方法获取完整拼音如:sudu 可以通过Word的getAcronymPinYin()方法获取首字母缩略拼音如:sd
1、构造一个word分析器ChineseWordAnalyzer Analyzer analyzer = new ChineseWordAnalyzer(); 如果需要使用特定的分词算法,可通过构造函数来指定: Analyzer analyzer = new ChineseWordAnalyzer(SegmentationAlgorithm.FullSegmentation); 如不指定,默认使用双向最大匹配算法:SegmentationAlgorithm.BidirectionalMaximumMatching 可用的分词算法参见枚举类:SegmentationAlgorithm 2、利用word分析器切分文本 TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者"); //准备消费 tokenStream.reset(); //开始消费 while(tokenStream.incrementToken()){ //词 CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); //词在文本中的起始位置 OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class); //第几个词 PositionIncrementAttribute positionIncrementAttribute = tokenStream.getAttribute(PositionIncrementAttribute.class); //词性 PartOfSpeechAttribute partOfSpeechAttribute = tokenStream.getAttribute(PartOfSpeechAttribute.class); //首字母缩略拼音 AcronymPinyinAttribute acronymPinyinAttribute = tokenStream.getAttribute(AcronymPinyinAttribute.class); //完整拼音 FullPinyinAttribute fullPinyinAttribute = tokenStream.getAttribute(FullPinyinAttribute.class); //同义词 SynonymAttribute synonymAttribute = tokenStream.getAttribute(SynonymAttribute.class); //反义词 AntonymAttribute antonymAttribute = tokenStream.getAttribute(AntonymAttribute.class); LOGGER.info(charTermAttribute.toString()+" ("+offsetAttribute.startOffset()+" - "+offsetAttribute.endOffset()+") "+positionIncrementAttribute.getPositionIncrement()); LOGGER.info("PartOfSpeech:"+partOfSpeechAttribute.toString()); LOGGER.info("AcronymPinyin:"+acronymPinyinAttribute.toString()); LOGGER.info("FullPinyin:"+fullPinyinAttribute.toString()); LOGGER.info("Synonym:"+synonymAttribute.toString()); LOGGER.info("Antonym:"+antonymAttribute.toString()); } //消费完毕 tokenStream.close(); 3、利用word分析器建立Lucene索引 Directory directory = new RAMDirectory(); IndexWriterConfig config = new IndexWriterConfig(analyzer); IndexWriter indexWriter = new IndexWriter(directory, config); 4、利用word分析器查询Lucene索引 QueryParser queryParser = new QueryParser("text", analyzer); Query query = queryParser.parse("text:杨尚川"); TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);
1、下载word-1.3.jar 下载地址:http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.3/word-1.3.jar 2、创建目录solr-5.1.0/example/solr/lib,将word-1.3.jar复制到lib目录 3、配置schema指定分词器 将solr-5.1.0/example/solr/collection1/conf/schema.xml文件中所有的 <tokenizer class="solr.WhitespaceTokenizerFactory"/>和 <tokenizer class="solr.StandardTokenizerFactory"/>全部替换为 <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/> 并移除所有的filter标签 4、如果需要使用特定的分词算法: <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/> segAlgorithm可选值有: 正向最大匹配算法:MaximumMatching 逆向最大匹配算法:ReverseMaximumMatching 正向最小匹配算法:MinimumMatching 逆向最小匹配算法:ReverseMinimumMatching 双向最大匹配算法:BidirectionalMaximumMatching 双向最小匹配算法:BidirectionalMinimumMatching 双向最大最小匹配算法:BidirectionalMaximumMinimumMatching 全切分算法:FullSegmentation 最少分词算法:MinimalWordCount 最大Ngram分值算法:MaxNgramScore 如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching 5、如果需要指定特定的配置文件: <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching" conf="solr-5.1.0/example/solr/nutch/conf/word.local.conf"/> word.local.conf文件中可配置的内容见 word-1.3.jar 中的word.conf文件 如不指定,使用默认配置文件,位于 word-1.3.jar 中的word.conf文件
1、打开命令行并切换到elasticsearch的bin目录 cd elasticsearch-1.5.1/bin 2、运行plugin脚本安装word分词插件: ./plugin -u http://apdplat.org/word/archive/v1.2.zip -i word 3、修改文件elasticsearch-1.5.1/config/elasticsearch.yml,新增如下配置: index.analysis.analyzer.default.type : "word" index.analysis.tokenizer.default.type : "word" 4、启动ElasticSearch测试效果,在Chrome浏览器中访问: http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者 5、自定义配置 修改配置文件elasticsearch-1.5.1/plugins/word/word.local.conf 6、指定分词算法 修改文件elasticsearch-1.5.1/config/elasticsearch.yml,新增如下配置: index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching" index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching" 这里segAlgorithm可指定的值有: 正向最大匹配算法:MaximumMatching 逆向最大匹配算法:ReverseMaximumMatching 正向最小匹配算法:MinimumMatching 逆向最小匹配算法:ReverseMinimumMatching 双向最大匹配算法:BidirectionalMaximumMatching 双向最小匹配算法:BidirectionalMinimumMatching 双向最大最小匹配算法:BidirectionalMaximumMinimumMatching 全切分算法:FullSegmentation 最少分词算法:MinimalWordCount 最大Ngram分值算法:MaxNgramScore 如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching
1、下载http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar(国内不能访问) 2、下载并解压Java中文分词组件word-1.0-bin.zip:http://pan.baidu.com/s/1dDziDFz 3、将解压后的 Java中文分词组件word-1.0-bin/word-1.0 文件夹里面的4个jar包解压到当前文件夹 用压缩解压工具如winrar打开lukeall-4.0.0-ALPHA.jar,将当前文件夹里面除了META-INF文件夹、.jar、 .bat、.html、word.local.conf文件外的其他所有文件拖到lukeall-4.0.0-ALPHA.jar里面 4、执行命令 java -jar lukeall-4.0.0-ALPHA.jar 启动luke,在Search选项卡的Analysis里面 就可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器了 5、在Plugins选项卡的Available analyzers found on the current classpath里面也可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器 注意:如果你要自己集成word分词器的其他版本,在项目根目录下运行mvn install编译项目,然后运行命令 mvn dependency:copy-dependencies复制依赖的jar包,接着在target/dependency/目录下就会有所有 的依赖jar包。其中target/dependency/slf4j-api-1.6.4.jar是word分词器使用的日志框架, target/dependency/logback-classic-0.9.28.jar和 target/dependency/logback-core-0.9.28.jar是word分词器推荐使用的日志实现,日志实现的配置文件 路径位于target/classes/logback.xml,target/word-1.3.jar是word分词器的主jar包,如果需要 自定义词典,则需要修改分词器配置文件target/classes/word.conf
已经集成好的Luke插件下载(适用于lucene4.0.0) :lukeall-4.0.0-ALPHA-with-word-1.0.jar
已经集成好的Luke插件下载(适用于lucene4.10.3):lukeall-4.10.3-with-word-1.2.jar
从大规模语料中统计一个词的上下文相关词,并用这些上下文相关词组成的向量来表达这个词。 通过计算词向量的相似性,即可得到词的相似性。 相似性的假设是建立在如果两个词的上下文相关词越相似,那么这两个词就越相似这个前提下的。 通过运行项目根目录下的脚本demo-word-vector-corpus.bat来体验word项目自带语料库的效果 如果有自己的文本内容,可以使用脚本demo-word-vector-file.bat来对文本分词、建立词向量、计算相似性
1、word分词 最大Ngram分值算法: 分词速度:397.73047 字符/毫秒 行数完美率:59.93% 行数错误率:40.06% 总的行数:2533709 完美行数:1518525 错误行数:1015184 字数完美率:51.56% 字数错误率:48.43% 总的字数:28374490 完美字数:14632098 错误字数:13742392 2、word分词 全切分算法: 分词速度:67.032585 字符/毫秒 行数完美率:57.2% 行数错误率:42.79% 总的行数:2533709 完美行数:1449288 错误行数:1084421 字数完美率:47.95% 字数错误率:52.04% 总的字数:28374490 完美字数:13605742 错误字数:14768748 3、word分词 双向最大最小匹配算法: 分词速度:367.99805 字符/毫秒 行数完美率:53.06% 行数错误率:46.93% 总的行数:2533709 完美行数:1344624 错误行数:1189085 字数完美率:43.07% 字数错误率:56.92% 总的字数:28374490 完美字数:12221610 错误字数:16152880 4、word分词 最少分词算法: 分词速度:364.40622 字符/毫秒 行数完美率:47.75% 行数错误率:52.24% 总的行数:2533709 完美行数:1209976 错误行数:1323733 字数完美率:37.59% 字数错误率:62.4% 总的字数:28374490 完美字数:10666443 错误字数:17708047 5、word分词 双向最小匹配算法: 分词速度:657.13635 字符/毫秒 行数完美率:46.34% 行数错误率:53.65% 总的行数:2533709 完美行数:1174276 错误行数:1359433 字数完美率:36.07% 字数错误率:63.92% 总的字数:28374490 完美字数:10236574 错误字数:18137916 6、word分词 双向最大匹配算法: 分词速度:539.0905 字符/毫秒 行数完美率:46.18% 行数错误率:53.81% 总的行数:2533709 完美行数:1170075 错误行数:1363634 字数完美率:35.65% 字数错误率:64.34% 总的字数:28374490 完美字数:10117122 错误字数:18257368 7、word分词 正向最大匹配算法: 分词速度:662.2127 字符/毫秒 行数完美率:41.88% 行数错误率:58.11% 总的行数:2533709 完美行数:1061189 错误行数:1472520 字数完美率:31.35% 字数错误率:68.64% 总的字数:28374490 完美字数:8896173 错误字数:19478317 8、word分词 逆向最大匹配算法: 分词速度:1082.0459 字符/毫秒 行数完美率:41.69% 行数错误率:58.3% 总的行数:2533709 完美行数:1056515 错误行数:1477194 字数完美率:30.98% 字数错误率:69.01% 总的字数:28374490 完美字数:8792532 错误字数:19581958 9、word分词 逆向最小匹配算法: 分词速度:1906.6315 字符/毫秒 行数完美率:41.42% 行数错误率:58.57% 总的行数:2533709 完美行数:1049673 错误行数:1484036 字数完美率:31.34% 字数错误率:68.65% 总的字数:28374490 完美字数:8893622 错误字数:19480868 10、word分词 正向最小匹配算法: 分词速度:1839.1554 字符/毫秒 行数完美率:36.7% 行数错误率:63.29% 总的行数:2533709 完美行数:930069 错误行数:1603640 字数完美率:26.72% 字数错误率:73.27% 总的字数:28374490 完美字数:7583741 错误字数:20790749
1、中文分词算法 之 基于词典的正向最大匹配算法
2、中文分词算法 之 基于词典的逆向最大匹配算法
3、中文分词算法 之 词典机制性能优化与测试
4、中文分词算法 之 基于词典的正向最小匹配算法
5、中文分词算法 之 基于词典的逆向最小匹配算法
6、一种利用ngram模型来消除歧义的中文分词方法
7、一种基于词性序列的人名识别方法
8、中文分词算法 之 基于词典的全切分算法
9、9大Java开源中文分词器的使用方法和分词效果对比
10、中文分词之11946组同义词
11、中文分词之9271组反义词
12、如何利用多核提升分词速度
Java开源项目cws_evaluation:中文分词器分词效果评估