pangusegment 盘古分词 开源中文分词组件

Question

Pan Gu Segment is a library that can segment Chinese and English words from sentence. 盘古分词是一个中英文分词组件。作者eaglet 曾经开发过KTDictSeg 中文分词组件，拥有大量用户。作者基于之前分词组件的开发经验，结合最新的开发技术重新编写了盘古分词组件。

功能

中文分词功能

• 中文未登录词识别
  • 盘古分词可以对一些不在字典中的未登录词自动识别
• 词频优先
  • 盘古分词可以根据词频来解决分词的歧义问题
• 多元分词
  • 盘古分词提供多重输出解决分词粒度和分词精度权衡的问题
• 中文人名识别
  • 输入： “张三说的确实在理”
  • 分词结果：张三/说/的/确实/在理/
  • 输入 “李三买了一张三角桌子”
  • 分词结果：李三/买/了/一张/三角/桌子/
• 强制一元分词
  • 输入 “张三说的确实在理”
  • 分词结果： 张(0,1)/张三(0,5)/三说的(1,1)/三(1,1)/说(2,5)/的(3,5)/确(4,1)/确实(4,5)/实(5,1)/在(6,1)/在理(6,5)/理(7,1)/
• 繁体中文分词
  • 输入"我的選擇"
  • 分词结果： 我/的/選擇/
• 同时输出简体和繁体
  • 输入"我的選擇"
  • 分词结果：我(0,5)/的(1,5)/选择(2,1)/選擇(2,5)/
• 中文词性输出
  • 盘古分词可以将以登录词的中文词性输出给用户，以方便用户做进一步处理。
• 全角字符支持
  • 盘古分词可以识别全角的字母和数字

英文分词

• 英文分词
  • 英文单词通常都是靠空格等符号分割，这个比较简单，盘古分词分英文自然也没有什么问题。
• 英文专用词识别

一些英文简写是字母符号混合，或者是字母数字混合，这个分词起来就不能按照空格符号这样分割了，对于字母符号混合的如 U.S.A ，
只要将这个词录入到字典中，盘古分词就可以分出整词。对于字母和数字混合的，盘古分词会自动作为整词输出。

• 英文原词输出
• 英文大小写同时输出

其他功能

• 停用词过滤

对于一些标点符号，连词，助词等有时候需要在分词时过滤掉，盘古分词提供一个 StopWord.txt 文件，用户只要将需要过滤的词加入到这个文件中，
并将停用词过滤开发打开，就可以过滤掉这些词。

• 设置分词权值

盘古分词可以让用户对如下特性设置自定义权值

1. 未登录词权值
2. 最匹配词权值
3. 次匹配词权值
4. 再次匹配词权值
5. 强行输出的单字的权值
6. 数字的权值
7. 英文词汇权值
8. 符号的权值
9. 强制同时输出简繁汉字时，非原来文本的汉字输出权值。

*用户自定义规则

• 字典管理
  • 盘古分词提供一个字典管理工具 DictManage 通过这个工具，你可以增加，修改，和删除字典中的单词
• 动态加载字典
  • 通过字典工具增加，修改，和删除字典中的单词后，保持字典，盘古分词会自动将新的字典文件加载进去，而不需要重新启动。
• 关键词高亮组件

Lucene 提供了一个关键词高亮组件，但这个组件对中文的支持不是特别好，特别是如果还有多元分词的情况，处理的就更不好。
盘古分词提供了一个针对中文和英文的关键词高亮组件 PanGu.HighLight ，其对中文的支持要好于Lucene 那个高亮组件。

• 同义词输出(后续版本提供)
• Lucene.net 接口及示例

在PanGu4Lucene 这个包里面有我做的一个盘古+Lucene 的简单新闻搜索Web示例程序，Release 包里面有使用说明。

性能指标

Core Duo 1.8 GHz 下单线程 分词速度为 390K 字符每秒，2线程分词速度为 690K 字符每秒。

其他说明

盘古分词提供的字典包括17万个中文常用单词，但这个字典依然不够完整，如果要分词更准确，需要适当维护一下这个字典。
中文人名的识别能力取决于 ChsSingleName.txt， ChsDoubleName1.txt， ChsDoubleName2.txt 这三个文件，它们分别表示单子人名，
双字人名的首字和双字人名的尾字，如果有的人名没有分出来，需要维护这三个文件。

问题解答

盘古分词问题解答专业贴 http://space.cnblogs.com/group/topic/31349

相关文章

盘古分词-功能简介 http://www.cnblogs.com/eaglet/archive/2009/08/13/1545420.html
盘古分词-多元分词 http://www.cnblogs.com/eaglet/archive/2008/10/02/1303142.html

V1.0.0.2 版本分词演示

https://archive.codeplex.com/?p=pangusegment