准确率秒杀结巴分词，北大开源全新中文分词工具包PKUSeg

2019 年 1 月 15 日 大数据技术

来自：开源最前线（ID：OpenSourceTop）

分词技术是一种比较基础的模块，就英文而言，词与词之间通常由空格分开，因此英文分词则要简单的多，但中文和英文的词是有区别的，再加上中国文化的博大精深，分词的时候要考虑的情况比英文分词要复杂的多，如果处理不好就会直接影响到后续词性标注、句法分析等的准确性，

目前，我们最常用的分词工具大概有四种哈工大LTP、中科院计算所NLPIR、清华大学THULAC和jieba。

不过最近，北大开源了一个中文分词工具包，名为 —— PKUSeg，基于Python。据介绍其准确率秒杀THULAC和结巴分词等工具。

一经开源，pkuseg已经在GitHub上获得 1738 个Star，244 个Fork（GitHub地址：https://github.com/lancopku/PKUSeg-python）

pkuseg具有如下几个特点：

多领域分词：不同于以往的通用中文分词工具，此工具包同时致力于为不同领域的数据提供个性化的预训练模型。根据待分词文本的领域特点，用户可以自由地选择不同的模型。我们目前支持了新闻领域，网络文本领域和混合领域的分词预训练模型，同时也拟在近期推出更多的细领域预训练模型，比如医药、旅游、专利、小说等等。
更高的分词准确率：相比于其他的分词工具包，当使用相同的训练数据和测试数据，pkuseg可以取得更高的分词准确率。
支持用户自训练模型：支持用户使用全新的标注数据进行训练。

各类分词工具包的性能对比

前面有提到说pkuseg的准确率远超其他分词工具包，现在就是用数据说话的时候了，下面就是在 Linux 环境下，各工具在新闻数据 (MSRA) 和混合型文本 (CTB8) 数据上的准确率测试情况

测试使用的是第二届国际汉语分词评测比赛提供的分词评价脚本，从上图看出结巴分词准确率最低，

跨领域测试结果

以下是在其它领域进行测试，以模拟模型在“黑盒数据”上的分词效果。

默认模型在不同领域的测试效果

以下是各个工具包的默认模型在不同领域的测试效果

使用方式

代码示例1：使用默认模型及默认词典分词

import pkuseg

seg = pkuseg.pkuseg()                                  # 以默认配置加载模型
text = seg.cut('我爱北京天安门')                        # 进行分词
print(text)

代码示例2：设置用户自定义词典

import pkuseg

lexicon = ['北京大学', '北京天安门']                     # 希望分词时用户词典中的词固定不分开
seg = pkuseg.pkuseg(user_dict=lexicon)                  # 加载模型，给定用户词典
text = seg.cut('我爱北京天安门')                         # 进行分词
print(text)

代码示例3：使用其它模型

import pkuseg

seg = pkuseg.pkuseg(model_name='./ctb8')                # 假设用户已经下载好了ctb8的模型
                                                        # 并放在了'./ctb8'目录下，通过设置model_name加载该模型
text = seg.cut('我爱北京天安门')                         # 进行分词
print(text)

代码示例4：对文件分词

import pkuseg

pkuseg.test('input.txt', 'output.txt', nthread=20)     # 对input.txt的文件分词输出到output.txt中，
                                                       # 使用默认模型和词典，开20个进程

代码示例5：训练新模型

import pkuseg

# 训练文件为'msr_training.utf8'
# 测试文件为'msr_test_gold.utf8'
# 模型存到'./models'目录下，开20个进程训练模型
pkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models', nthread=20)

此外，pkuseg提供了三种在不同类型数据上训练得到的模型，根据具体需要，用户可以选择不同的预训练模型：

MSRA：在MSRA（新闻语料）上训练的模型。

下载地址：https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

CTB8：在CTB8（新闻文本及网络文本的混合型语料）上训练的模型。随pip包附带的是此模型。

下载地址：https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

WEIBO：在微博（网络文本语料）上训练的模型。

下载地址：https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

最后附上前面提到的另外四大分词工具的GitHub地址：

1、LTP：https://github.com/HIT-SCIR/ltp

2、NLPIR：https://github.com/NLPIR-team/NLPIR

3、THULAC：https://github.com/thunlp/THULAC

4、jieba：https://github.com/yanyiwu/cppjieba