Genius是一个开源的python中文分词组件,采用 CRF(Conditional Random Field)条件随机场算法。
- 支持python2.x、python3.x以及pypy2.x。
- 支持简单的pinyin分词
- 支持用户自定义break
- 支持用户自定义合并词典
- 支持词性标注
- 安装git: 1) ubuntu or debian
apt-get install git
2) fedora or redhatyum install git
- 下载代码:
git clone https://github.com/duanhongyi/genius.git
- 安装代码:
python setup.py install
- 执行命令:
easy_install genius
或者pip install genius
- 采用trie树进行合并词典查找
- 基于wapiti实现条件随机场分词
- 可以通过genius.loader.ResourceLoader来重载默认的字典
genius.seg_text
函数接受5个参数,其中text是必填参数:text
第一个参数为需要分词的字符use_break
代表对分词结构进行打断处理,默认值True
use_combine
代表是否使用字典进行词合并,默认值False
use_tagging
代表是否进行词性标注,默认值True
use_pinyin_segment
代表是否对拼音进行分词处理,默认值True
代码示例( 全功能分词 )
#encoding=utf-8
import genius
text = u"""昨天,我和施瓦布先生一起与部分企业家进行了交流,大家对中国经济当前、未来发展的态势、走势都十分关心。"""
seg_list = genius.seg_text(
text,
use_combine=True,
use_pinyin_segment=True,
use_tagging=True,
use_break=True
)
print('\n'.join(['%s\t%s' % (word.text, word.tagging) for word in seg_list]))
genius.seg_keywords
方法专门为搜索引擎索引准备,保留歧义分割,其中text是必填参数。text
第一个参数为需要分词的字符use_break
代表对分词结构进行打断处理,默认值True
use_tagging
代表是否进行词性标注,默认值False
use_pinyin_segment
代表是否对拼音进行分词处理,默认值False
- 由于合并操作与此方法有意义上的冲突,此方法并不提供合并功能;并且如果采用此方法做索引时候,检索时不推荐
genius.seg_text
使用use_combine=True
参数。
代码示例
#encoding=utf-8
import genius
seg_list = genius.seg_keywords(u'南京市长江大桥')
print('\n'.join([word.text for word in seg_list]))
genius.extract_tag
方法专门为提取tag关键字准备,其中text是必填参数。text
第一个参数为需要分词的字符use_break
代表对分词结构进行打断处理,默认值True
use_combine
代表是否使用字典进行词合并,默认值False
use_pinyin_segment
代表是否对拼音进行分词处理,默认值False
代码示例
#encoding=utf-8
import genius
tag_list = genius.extract_tag(u'南京市长江大桥')
print('\n'.join(tag_list))
- 目前分词语料出自人民日报1998年1月份,所以对于新闻类文章分词较为准确。
- CRF分词效果很大程度上依赖于训练语料的类别以及覆盖度,若解决语料问题分词和标注效果还有很大的提升空间。