Yaha分词

"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

PS. 这里有一个crfseg 是对crf++的封装。目前丑陋适合拿来学习。

词语生成(NEWS!)

以前在extra/seqword.cpp实现词语发现功能，现在已升级优化，并独立出来：项目地址

使用多线程，以及类似MapReduce的思想，可以处理50M+的文本，自动得到文本当中的专业名词、名字、地点名词等等词语。得到词语后可以加到分词工库的字典中。

安装

pip install yaha

QQ交流群（同时也是vxworks-kernel-like项目的交流群）: 2749-83126

在线演示

代码部署在GAE上：http://yahademo.appspot.com

代码部署在SAE上：http://yaha.sinaapp.com

原本的这个地址已不再使用：http://yaha.v-find.com/

示例代码：https://github.com/jannson/yaha/blob/master/tests/test_cuttor.py

Feature

• 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。 （添加了一个由我朋友实现的C++版本的最大熵新词发现功能，速度是python的10倍吧）
  • 获取大段文本的关键字。
  • 获取大段文本的摘要。
  • 词语纠错功能（新！常用在搜索里对用户的错误输入进行纠正）
  • 支持用户自定义词典 （TODO目前还没有实现得很好）

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)。

阶段讲解

• stage 1是在分句中实现，通过正则可直接将数字或英文单词分成独立的词，生成独立的这些词不再参与下一步的分词。
• stage 2在创建有向无环图之前实现，对分句进行预扫描，加入一些可能形成的词，并赋予一定的概率。
• stage 3在创建有向无环图期间实现，从字典得到词的概率，或通过一些匹配模式得到可能的词，赋予一定概率。
• stage 4在得到有向无环图的最大概率之后（程序实现当中是最短路径），对一些不能成词的单字再继续进行处理；或得到最短的多条路径之后，根据用户的兴趣得到最终的一条路径。若用户有兴趣，可以在这一步实现对词性的分析。

目前状态

一直在用，貌似没有什么问题。最后要感谢jieba的作者，目前的字典是直接从jieba项目拷贝过来的。