中文分词方法和软件工具汇总笔记

本文与前一篇文章《自然语言处理NLP知识和产品的笔记》属于同一个系列，前文已经提到，这是GooSeeker团队在开发中文文本分析软件新版本过程中的学习笔记，所以，再次提醒，下面所整理的内容，尤其是概念间的关系，可能是不严谨的。整个内容肯定是不完备的，只是共享给大家作为探索的线索。

在中文文本分析领域我已经工作了10多年，结合公司的网络爬虫产品，完成了一系列解决方案，比如，舆情分析、消费者心理行为分析（消费者洞察）、法规和政策分析、智慧城市数据平台建设等等。在这10多年来，如果不断给中文分词工具做排行榜的话，发现位次变化很快。所以，在软件工程项目实施中，要不断观察新方法、新软件。在某个时期最优秀的软件很快就被其他软件超越了，超越和前进是好的，但是，有时候是很遗憾的，因为往往是那个分词工具的发布者不再持续维护了。

文章最后还整理汇总了一些常用的词云图工具，觉得有用的可以收藏一下。

1.1，分词算法

有多种分词算法，会得到不同的分词结果，会对下游的软件产生影响

1.2，未登录词识别

如何识别未登录词 OOV

1.3，歧义

2.1，基于词典

（1）正向最大匹配法 FMM：对文本从左至右切出最长的词

（2）逆向最大匹配法 BMM：对文本从右至左切出最长的词

（3）N-最短路径方法

（4）双向匹配分词法：由左到右、由右到左两次扫描

缺点：对歧义和未登录词处理不好。

2.2，机器学习

（1）隐马尔科夫模型 HMM

（2）条件随机场模型 CRF

（3）最大熵模型 ME

（4）N元文法模型 N-gram

（5）支持向量机 SVM

（6）深度学习

缺点：训练集需要大量人工标注语料、整理统计特征。

优点：不仅考虑词频，还考虑上下文，可有效消除歧义、识别未登录词。

2.3，其他相关知识

（1）词向量转换/特征降维

（2）TF-IDF

TF 表示某个词语在一个语料中出现的频次；DF 表示在全部语料中，共有多少个语料出现了这个词，IDF 是DF的倒数(取log)；TF- IDF 越大，表示这个词越重要。

常用于关键词提取。

（3）TextRank

根据词语之间的邻近关系构建网络，通过PageRank迭代计算出词语的排名；

常用于关键词提取、自动摘要提取。

3.1，开源或者免费

（1）Hanlp分词器

最短路径分词，有中文分词、词性标注、新词识别、命名实体识别、自动摘要、文本聚类、情感分析、词向量word2vec等功能，支持自定义词典；

采用HMM、CRF、TextRank、word2vec、聚类、神经网络等算法；

支持Java，C++，Python语言；

（2）结巴分词

找出基于词频的最大切分组合，有中文分词、关键词提取、词性标注功能，支持自定义词典；

采用HMM模型、 Viterbi算法；

支持Java，C++，Python语言；

（3）哈工大的LTP

有中文分词、词性标注、句法分析等功能；

商用需付费；调用接口，每秒请求的次数有限制；

编写语言有C++、Python、Java版；

（4）清华大学THULAC

有中文分词、词性标注功能；

有Java、Python和C++版本；

（5）北京大学 pkuseg

支持按领域分词、有词性标注功能、支持用户自训练模型；

基于CRF模型、自研的ADF训练方法；

有python版本；

（6）斯坦福分词器

支持多语言分词包括中英文，提供训练模型接口，也可用已有模型，但速度较慢；

Java实现的CRF算法；

（7）KCWS分词器

有中文分词、词性标注功能，支持自定义词典；

采用word2vec、Bi-LSTM、CRF算法；

（8）ZPar

有中文、英文、西班牙语分词、词性标注；

C++语言编写；

（9）IKAnalyzer

有中文分词功能，支持自定义词典；

（10）Jcseg

有中文分词、关键词提取、自动摘要、词性标注、实体识别等功能，支持自定义词典；

基于mmseg、textRank、BM25等算法；

（11）FudanNLP

中文分词 词性标注 实体名识别 关键词抽取等；

（12）SnowNLP

有中文分词、词性标注、情感分析、文本分类、提取关键词等功能；

基于HMM、Naive Bayes、TextRank、tf-idf等算法；

Python类库；

（13）ansj分词器

有中文分词、人名识别、词性标注、用户自定义词典等功能；

基于n-Gram+CRF+HMM算法；

（14）NLTK

擅长英文分词，也支持中文分词处理，但建议先用其他分词工具对中文语料分词，再用它的处理功能；

python库；

（15）庖丁解牛

3.2，其他

（1）中科院计算所NLPIR

具有分词、词性标注、新词识别、命名实体识别、情感分析、关键词提取等功能，支持自定义词典；

（2）腾讯文智

（3）BosonNLP

（4）百度NLP

（5）阿里云NLP

（6）新浪云

（7）盘古分词

具有中英文分词功能，支持自定义词典；

（1）Wordart

（2）Tagul

（3）Wordle

（4）WordItOut

（5）Tagxedo

（6）Tocloud

（7）图悦

（8）office的PPT插件Pro Word Cloud

（9）BDP个人版

有哪些比较好的中文分词方案？

Pan Yang：五款中文分词工具在线PK: Jieba, SnowNLP, PkuSeg,THULAC, HanLP

无猫之徒：中文分词算法简介

湖心小笨酸：中文分词(CWS)综述

灰灰：干货 | 史上最全中文分词工具整理

老宋的茶书会：深度学习时代，分词真的有必要吗

如何生成关键词云图？