一个高效的中文词法分析工具包

2018-01-29 11:00:17 浏览数 (1)

谢谢大家支持，可以让有兴趣的人关注这个公众号。让知识传播的更加富有活力，谢谢各位读者。 很多人问博主为什么每次的头像是奥黛丽赫本，因为她是博主女神，每天看看女神也是不错的嘛！

查看之前文章请点击右上角，关注并且查看历史消息，谢谢您的阅读支持

THULAC：一个高效的中文词法分析工具包

原文链接请点击阅读原文。

目录

  • 项目介绍
  • 编译和安装
  • 使用方式
  • 代表分词软件的性能对比
  • 词性解释
  • THULAC模型介绍
  • 获取链接
  • 注意事项
  • 历史
  • 开源协议
  • 相关论文
  • 作者

项目介绍

THULAC（THU Lexical Analyzer for Chinese）是由清华大学自然语言处理实验室推出的一套中文词法分析工具包，主要包括中文分词和词性标注功能。THULAC具有如下几个特点：

  1. 算法新颖。该工具包使用了基于词图（word lattice）的重排序算法（re-ranking method），在分词、词性标注和重排序方面效率较高，性能较强。
  2. 模型强大。我们按照统一标注规范整合多个分词、词性标注语料库，得到一份1500万字的分词、词性标注语料库（大小约300M）用于模型训练，模型标注能力强大。
  3. 准确率高。该工具包在标准数据集Chinese Treebank（CTB5）上分词的F1值可达97.3％，词性标注的F1值可达到92.9％，与该数据集上最好方法效果相当。
  4. 速度较快。该工具包的分词和词性标注速度为300KB/s，每秒可处理约15万字。仅进行分词速度可达到1.3MB/s。

编译和安装

  • C 版 在当前路径下运行 make 会在当前目录下得到thulac和train_c
  • java版 可直接按照分词程序命令格式运行可执行的jar包

使用方式

1.分词程序

1.1.命令格式
  • C 版
    • ./thulac [-t2s] [-seg_only] [-deli delimeter] [-user userword.txt] 从命令行输入输出
    • ./thulac [-t2s] [-seg_only] [-deli delimeter] [-user userword.txt] outputfile 利用重定向从文本文件输入输出（注意均为UTF8文本）
  • java版
    • java -jar THULAC_lite_java_run.jar [-t2s] [-seg_only] [-deli delimeter] [-user userword.txt] 从命令行输入输出
    • java -jar THULAC_lite_java_run.jar [-t2s] [-seg_only] [-deli delimeter] [-user userword.txt] -input input_file -output output_file 从文本文件输入输出（注意均为UTF8文本）
1.2.通用参数
代码语言：javascript复制
-t2s                将句子从繁体转化为简体
-seg_only           只进行分词，不进行词性标注
-deli delimeter     设置词与词性间的分隔符，默认为下划线_
-filter             使用过滤器去除一些没有意义的词语，例如“可以”。
-user userword.txt  设置用户词典，用户词典中的词会被打上uw标签。词典中每一个词一行，UTF8编码
-model_dir dir      设置模型文件所在文件夹，默认为models/
1.3.Java版特有的参数
代码语言：javascript复制
-input input_file   设置从文件读入，默认为命令行输入
-output output_file 设置输出到文件中，默认为命令行输出

2.模型训练程序

模型训练程序train_c是THULAC分词模型的训练程序，用户可以使用train_c训练获得THULAC的分词模型。

2.1.命令格式
代码语言：javascript复制
    ./train_c [-s separator] [-b bigram_threshold] [-i iteration] training_filename model_filename   
    使用training_filename为训练集，训练出来的模型名字为model_filename
2.2.参数意义
代码语言：javascript复制
    -s              设置词与词性间的分隔符，默认为斜线/
    -b              设置二字串的阀值，默认为1
    -i              设置训练迭代的轮数，默认为15
2.3.训练集格式

我们使用默认的分隔符（斜线/）作为例子，训练集内容应为

代码语言：javascript复制
    我/r 爱/vm 北京/ns 天安门/ns

类似的已经进行词性标注的句子。

若要训练出只分词的模型，使用默认的分隔符（斜线/）作为例子，训练集内容应为

代码语言：javascript复制
    我/ 爱/ 北京/ 天安门/

类似的句子。

2.4.使用训练出的模型

将训练出来的模型覆盖原来models中的对应模型，之后执行分词程序即可使用训练出来的模型。

代表分词软件的性能对比

我们选择LTP-3.2.0 、ICTCLAS(2015版) 、jieba(C 版)等国内代表分词软件与THULAC做性能比较。我们选择Windows作为测试环境，根据第二届国际汉语分词测评发布的国际中文分词测评标准，对不同软件进行了速度和准确率测试。

在第二届国际汉语分词测评中，共有四家单位提供的测试语料（Academia Sinica、 City University 、Peking University 、Microsoft Research）, 在评测提供的资源icwb2-data中包含了来自这四家单位的训练集（training）、测试集（testing）, 以及根据各自分词标准而提供的相应测试集的标准答案（icwb2-data/scripts/gold）．在icwb2-data/scripts目录下含有对分词进行自动评分的perl脚本score。

我们在统一测试环境下，对若干流行分词软件和THULAC进行了测试，使用的模型为各分词软件自带模型。THULAC使用的是随软件提供的简单模型Model_1。评测环境为 Intel Core i5 2.4 GHz 评测结果如下：

msr_test（560KB）

Algorithm

Time

Precision

Recall

F-Measure

LTP-3.2.0

3.21s

0.867

0.896

0.881

ICTCLAS(2015版)

0.55s

0.869

0.914

0.891

jieba(C 版)

0.26s

0.814

0.809

0.811

THULAC_lite

0.62s

0.877

0.899

0.888

pku_test（510KB）

Algorithm

Time

Precision

Recall

F-Measure

LTP-3.2.0

3.83s

0.960

0.947

0.953

ICTCLAS(2015版)

0.53s

0.939

0.944

0.941

jieba(C 版)

0.23s

0.850

0.784

0.816

THULAC_lite

0.51s

0.944

0.908

0.926

除了以上在标准测试集上的评测，我们也对各个分词工具在大数据上的速度进行了评测，结果如下：

CNKI_journal.txt（51 MB）

Algorithm

Time

Speed

LTP-3.2.0

348.624s

149.80KB/s

ICTCLAS(2015版)

106.461s

490.59KB/s

jieba(C 版)

22.558s

2314.89KB/s

THULAC_lite

42.625s

1221.05KB/s

词性解释

代码语言：javascript复制
a/形容词 c/连词 d/副词 e/语气词 f/方位词 g/助词
h/前接成分 id/习语 j/简称 k/后接成分 l/处所词
m/数词 mq/数量词 n/名词 ni/机构名 np/人名
ns/地名 nz/其它专名 o/拟声词 p/介词 q/量词
r/代词 t/时间词 u/助词 v/动词 w/标点 x/其它

THULAC模型介绍

  1. 我们随THULAC源代码附带了简单的分词模型Model_1，仅支持分词功能。该模型由北京大学人民日报分词语料库训练得到（数据大小约56M，原始分词语料请联系北京大学计算语言学研究所授权获取）。
  2. 我们随THULAC源代码附带了分词和词性标注联合模型Model_2，支持同时分词和词性标注功能。该模型由多个分词语料库训练数据联合训练得到（大小约300M）。
  3. 我们还提供更复杂、完善和精确的分词和词性标注联合模型Model_3和分词词表。由于模型较大，如有机构或个人需要，请填写“doc/资源申请表.doc”，并发送至 thunlp@gmail.com ，通过审核后我们会将相关资源发送给联系人。

获取链接

Source

Description

Size

Date

THULAC_lite

THULAC_lite分词源代码(C 版)

799KB

2016-01-10

THULAC_lite分词源代码(java版)

588KB

2016-01-20

THULAC_lite分词java版可执行的jar包

55KB

2016-01-20

THULAC模型，包括分词模型和词性标注模型

58.2MB

2016-01-10

THULAC_pro_c _v1.zip

THULAC模型，包括更复杂完善的分词和词性标注模型以及分词词表

162MB

2016-01-10

注意事项

该工具目前仅处理UTF8编码中文文本，之后会逐渐增加支持其他编码的功能，敬请期待。

历史

更新时间

更新内容

2016-01-20

增加THULAC分词Java版本。

2016-01-10

开源THULAC分词工具C 版本。

开源协议

  1. THULAC面向国内外大学、研究所、企业以及个人研究者免费开放源。
  2. 如有机构或个人拟将THULAC用于商业目的，请发邮件至thunlp@gmail.com洽谈技术许可协议。
  3. 欢迎对该工具包的任何宝贵意见和建议，请发邮件至thunlp@gmail.com。
  4. 如果您在THULAC基础上发表论文或取得科研成果，请您在发表论文和申报成果时声明“使用了清华大学THULAC”，并按如下格式引用：
    • 中文： 陈新雄, 张开旭, 郭志芃, 刘知远, 孙茂松. THULAC：一个高效的中文词法分析工具包. 2016.
    • 英文： Xinxiong Chen, Kaixu Zhang, Zhipeng Guo, Zhiyuan Liu, Maosong Sun. THULAC: An Efficient Lexical Analyzer for Chinese. 2016.

量化投资与机器学习

知识、能力、深度、专业

勤奋、天赋、耐得住寂寞

中文分词 c++ java jar 腾讯云测试服务

0 人点赞