Java中文分詞元件 - word分詞

這個分詞很強大 大 大

Java分布式中文分詞元件 - word分詞

word分詞是一個Java實作的分布式的中文分詞元件，提供了多種基于詞典的分詞算法，并利用ngram模型來消除歧義。能準确識别英文、數字，以及日期、時間等數量詞，能識别人名、地名、組織機構名等未登入詞。能通過自定義配置檔案來改變元件行為，能自定義使用者詞庫、自動檢測詞庫變化、支援大規模分布式環境，能靈活指定多種分詞算法，能使用refine功能靈活控制分詞結果，還能使用詞性标注、同義标注、反義标注、拼音标注等功能。同時還無縫和Lucene、Solr、ElasticSearch、Luke內建。注意：word1.3需要JDK1.8

API線上文檔：

​​word 1.0 API​​

​​word 1.1 API​​

​​word 1.2 API​​

編譯好的jar包下載下傳（包含依賴）：

​​word 1.0​​

​​word 1.1​​

​​word 1.2​​

Maven依賴：

在pom.xml中指定dependency，可用版本有1.0、1.1、1.2：

<dependencies>
    <dependency>
        <groupId>org.apdplat</groupId>
        <artifactId>word</artifactId>
        <version>1.2</version>
    </dependency>
</dependencies>      

分詞使用方法：

1、快速體驗

運作項目根目錄下的腳本demo-word.bat可以快速體驗分詞效果
用法: command [text] [input] [output]
指令command的可選值為：demo、text、file
demo
text 楊尚川是APDPlat應用級産品開發平台的作者
file d:/text.txt d:/word.txt
exit      

2、對文本進行分詞

移除停用詞：List<Word> words = WordSegmenter.seg("楊尚川是APDPlat應用級産品開發平台的作者");
保留停用詞：List<Word> words = WordSegmenter.segWithStopWords("楊尚川是APDPlat應用級産品開發平台的作者");
            System.out.println(words);

輸出：
移除停用詞：[楊尚川, apdplat, 應用級, 産品, 開發平台, 作者]
保留停用詞：[楊尚川, 是, apdplat, 應用級, 産品, 開發平台, 的, 作者]      

3、對檔案進行分詞

String input = "d:/text.txt";
String output = "d:/word.txt";
移除停用詞：WordSegmenter.seg(new File(input), new File(output));
保留停用詞：WordSegmenter.segWithStopWords(new File(input), new File(output));      

4、自定義配置檔案

預設配置檔案為類路徑下的word.conf，打包在word-x.x.jar中
自定義配置檔案為類路徑下的word.local.conf，需要使用者自己提供
如果自定義配置和預設配置相同，自定義配置會覆寫預設配置
配置檔案編碼為UTF-8      

5、自定義使用者詞庫

自定義使用者詞庫為一個或多個檔案夾或檔案，可以使用絕對路徑或相對路徑
使用者詞庫由多個詞典檔案組成，檔案編碼為UTF-8
詞典檔案的格式為文本檔案，一行代表一個詞
可以通過系統屬性或配置檔案的方式來指定路徑，多個路徑之間用逗号分隔開
類路徑下的詞典檔案，需要在相對路徑前加入字首classpath:

指定方式有三種：
    指定方式一，程式設計指定（高優先級）：
        WordConfTools.set("dic.path", "classpath:dic.txt，d:/custom_dic");
        DictionaryFactory.reload();//更改詞典路徑之後，重新加載詞典
    指定方式二，Java虛拟機啟動參數（中優先級）：
        java -Ddic.path=classpath:dic.txt，d:/custom_dic
    指定方式三，配置檔案指定（低優先級）：
        使用類路徑下的檔案word.local.conf來指定配置資訊
        dic.path=classpath:dic.txt，d:/custom_dic

如未指定，則預設使用類路徑下的dic.txt詞典檔案      

6、自定義停用詞詞庫

使用方式和自定義使用者詞庫類似，配置項為：
stopwords.path=classpath:stopwords.txt，d:/custom_stopwords_dic      

7、自動檢測詞庫變化

可以自動檢測自定義使用者詞庫和自定義停用詞詞庫的變化
包含類路徑下的檔案和檔案夾、非類路徑下的絕對路徑和相對路徑
如：
classpath:dic.txt，classpath:custom_dic_dir,
d:/dic_more.txt，d:/DIC_DIR，D:/DIC2_DIR，my_dic_dir，my_dic_file.txt

classpath:stopwords.txt，classpath:custom_stopwords_dic_dir，
d:/stopwords_more.txt，d:/STOPWORDS_DIR，d:/STOPWORDS2_DIR，stopwords_dir，remove.txt      

8、顯式指定分詞算法

對文本進行分詞時，可顯式指定特定的分詞算法，如：
WordSegmenter.seg("APDPlat應用級産品開發平台", SegmentationAlgorithm.BidirectionalMaximumMatching);

SegmentationAlgorithm的可選類型為：   
正向最大比對算法：MaximumMatching
逆向最大比對算法：ReverseMaximumMatching
正向最小比對算法：MinimumMatching
逆向最小比對算法：ReverseMinimumMatching
雙向最大比對算法：BidirectionalMaximumMatching
雙向最小比對算法：BidirectionalMinimumMatching
雙向最大最小比對算法：BidirectionalMaximumMinimumMatching
全切分算法：FullSegmentation
最少分詞算法：MinimalWordCount
最大Ngram分值算法：MaxNgramScore      

9、分詞效果評估

運作項目根目錄下的腳本evaluation.bat可以對分詞效果進行評估
評估采用的測試文本有253 3709行，共2837 4490個字元
評估結果位于target/evaluation目錄下：
corpus-text.txt為分好詞的人工标注文本，詞之間以空格分隔
test-text.txt為測試文本，是把corpus-text.txt以标點符号分隔為多行的結果
standard-text.txt為測試文本對應的人工标注文本，作為分詞是否正确的标準
result-text-***.txt，***為各種分詞算法名稱，這是word分詞結果
perfect-result-***.txt，***為各種分詞算法名稱，這是分詞結果和人工标注标準完全一緻的文本
wrong-result-***.txt，***為各種分詞算法名稱，這是分詞結果和人工标注标準不一緻的文本      

10、分布式中文分詞器

1、在自定義配置檔案word.conf或word.local.conf中指定所有的配置項*.path使用HTTP資源，同時指定配置項redis.*
2、配置并啟動提供HTTP資源的web伺服器，将項目：https://github.com/ysc/word_web部署到tomcat
3、配置并啟動redis伺服器      

11、詞性标注（1.3才有這個功能）

将分詞結果作為輸入參數，調用PartOfSpeechTagging類的process方法，詞性儲存在Word類的partOfSpeech字段中
如下所示：
List<Word> words = WordSegmenter.segWithStopWords("我愛中國");
System.out.println("未标注詞性："+words);
//詞性标注
PartOfSpeechTagging.process(words);
System.out.println("标注詞性："+words);
輸出内容：
未标注詞性：[我, 愛, 中國]
标注詞性：[我/r, 愛/v, 中國/ns]      

12、refine

我們看一個切分例子：
List<Word> words = WordSegmenter.segWithStopWords("我國勞工階級和廣大勞動群衆要更加緊密地團結在黨中央周圍");
System.out.println(words);
結果如下：
[我國, 勞工階級, 和, 廣大, 勞動群衆, 要, 更加, 緊密, 地, 團結, 在, 黨中央, 周圍]
假如我們想要的切分結果是：
[我國, 勞工, 階級, 和, 廣大, 勞動, 群衆, 要, 更加, 緊密, 地, 團結, 在, 黨中央, 周圍]
也就是要把“勞工階級”細分為“勞工 階級”，把“勞動群衆”細分為“勞動 群衆”，那麼我們該怎麼辦呢？
我們可以通過在word.refine.path配置項指定的檔案classpath:word_refine.txt中增加以下内容：
勞工階級=勞工 階級
勞動群衆=勞動 群衆
然後，我們對分詞結果進行refine：
words = WordRefiner.refine(words);
System.out.println(words);
這樣，就能達到我們想要的效果：
[我國, 勞工, 階級, 和, 廣大, 勞動, 群衆, 要, 更加, 緊密, 地, 團結, 在, 黨中央, 周圍]

我們再看一個切分例子：
List<Word> words = WordSegmenter.segWithStopWords("在實作“兩個一百年”奮鬥目标的偉大征程上再創新的業績");
System.out.println(words);
結果如下：
[在, 實作, 兩個, 一百年, 奮鬥目标, 的, 偉大, 征程, 上, 再創, 新的, 業績]
假如我們想要的切分結果是：
[在, 實作, 兩個一百年, 奮鬥目标, 的, 偉大征程, 上, 再創, 新的, 業績]
也就是要把“兩個 一百年”合并為“兩個一百年”，把“偉大, 征程”合并為“偉大征程”，那麼我們該怎麼辦呢？
我們可以通過在word.refine.path配置項指定的檔案classpath:word_refine.txt中增加以下内容：
兩個 一百年=兩個一百年
偉大 征程=偉大征程
然後，我們對分詞結果進行refine：
words = WordRefiner.refine(words);
System.out.println(words);
這樣，就能達到我們想要的效果：
[在, 實作, 兩個一百年, 奮鬥目标, 的, 偉大征程, 上, 再創, 新的, 業績]      

13、同義标注

List<Word> words = WordSegmenter.segWithStopWords("楚離陌千方百計為無情找回記憶");
System.out.println(words);
結果如下：
[楚離陌, 千方百計, 為, 無情, 找回, 記憶]
做同義标注：
SynonymTagging.process(words);
System.out.println(words);
結果如下：
[楚離陌, 千方百計[久有存心, 化盡心血, 想方設法, 費盡心機], 為, 無情, 找回, 記憶[影象]]
如果啟用間接同義詞：
SynonymTagging.process(words, false);
System.out.println(words);
結果如下：
[楚離陌, 千方百計[久有存心, 化盡心血, 想方設法, 費盡心機], 為, 無情, 找回, 記憶[影像, 影象]]

List<Word> words = WordSegmenter.segWithStopWords("手勁大的老人往往更長壽");
System.out.println(words);
結果如下：
[手勁, 大, 的, 老人, 往往, 更, 長壽]
做同義标注：
SynonymTagging.process(words);
System.out.println(words);
結果如下：
[手勁, 大, 的, 老人[白叟], 往往[常常, 每每, 經常], 更, 長壽[長命, 龜齡]]
如果啟用間接同義詞：
SynonymTagging.process(words, false);
System.out.println(words);
結果如下：
[手勁, 大, 的, 老人[白叟], 往往[一樣平常, 一般, 凡是, 尋常, 常常, 常日, 平凡, 平居, 平常, 平日, 平時, 往常, 日常, 日常平凡, 時常, 普通, 每每, 泛泛, 素日, 經常, 通俗, 通常], 更, 長壽[長命, 龜齡]]

以詞“千方百計”為例：
可以通過Word的getSynonym()方法擷取同義詞如：
System.out.println(word.getSynonym());
結果如下：
[久有存心, 化盡心血, 想方設法, 費盡心機]
注意：如果沒有同義詞，則getSynonym()傳回空集合：Collections.emptyList()

間接同義詞和直接同義詞的差別如下：
假設：
A和B是同義詞，A和C是同義詞，B和D是同義詞，C和E是同義詞
則：
對于A來說，A B C是直接同義詞
對于B來說，A B D是直接同義詞
對于C來說，A C E是直接同義詞
對于A B C來說，A B C D E是間接同義詞      

14、反義标注

List<Word> words = WordSegmenter.segWithStopWords("5月初有哪些電影值得觀看");
System.out.println(words);
結果如下：
[5, 月初, 有, 哪些, 電影, 值得, 觀看]
做反義标注：
AntonymTagging.process(words);
System.out.println(words);
結果如下：
[5, 月初[月底, 月末, 月終], 有, 哪些, 電影, 值得, 觀看]

List<Word> words = WordSegmenter.segWithStopWords("由于工作不到位、服務不完善導緻顧客在用餐時發生不愉快的事情,餐廳方面應該向顧客作出真誠的道歉,而不是敷衍了事。");
System.out.println(words);
結果如下：
[由于, 工作, 不到位, 服務, 不完善, 導緻, 顧客, 在, 用餐, 時, 發生, 不愉快, 的, 事情, 餐廳, 方面, 應該, 向, 顧客, 作出, 真誠, 的, 道歉, 而不是, 敷衍了事]
做反義标注：
AntonymTagging.process(words);
System.out.println(words);
結果如下：
[由于, 工作, 不到位, 服務, 不完善, 導緻, 顧客, 在, 用餐, 時, 發生, 不愉快, 的, 事情, 餐廳, 方面, 應該, 向, 顧客, 作出, 真誠[糊弄, 虛僞, 虛假, 險詐], 的, 道歉, 而不是, 敷衍了事[一絲不苟, 兢兢業業, 盡心竭力, 竭盡全力, 精益求精, 誠心誠意]]

以詞“月初”為例：
可以通過Word的getAntonym()方法擷取反義詞如：
System.out.println(word.getAntonym());
結果如下：
[月底, 月末, 月終]
注意：如果沒有反義詞，getAntonym()傳回空集合：Collections.emptyList()      

15、拼音标注

List<Word> words = WordSegmenter.segWithStopWords("《速度與激情7》的中國内地票房自4月12日上映以來，在短短兩周内突破20億人民币");
System.out.println(words);
結果如下：
[速度, 與, 激情, 7, 的, 中國, 内地, 票房, 自, 4月, 12日, 上映, 以來, 在, 短短, 兩周, 内, 突破, 20億, 人民币]
執行拼音标注：
PinyinTagging.process(words);
System.out.println(words);
結果如下：
[速度 sd sudu, 與 y yu, 激情 jq jiqing, 7, 的 d de, 中國 zg zhongguo, 内地 nd neidi, 票房 pf piaofang, 自 z zi, 4月, 12日, 上映 sy shangying, 以來 yl yilai, 在 z zai, 短短 dd duanduan, 兩周 lz liangzhou, 内 n nei, 突破 tp tupo, 20億, 人民币 rmb renminbi]

以詞“速度”為例：
可以通過Word的getFullPinYin()方法擷取完整拼音如：sudu
可以通過Word的getAcronymPinYin()方法擷取首字母縮略拼音如：sd      

16、Lucene插件：

1、構造一個word分析器ChineseWordAnalyzer
Analyzer analyzer = new ChineseWordAnalyzer();
如果需要使用特定的分詞算法，可通過構造函數來指定：
Analyzer analyzer = new ChineseWordAnalyzer(SegmentationAlgorithm.FullSegmentation);
如不指定，預設使用雙向最大比對算法：SegmentationAlgorithm.BidirectionalMaximumMatching
可用的分詞算法參見枚舉類：SegmentationAlgorithm

2、利用word分析器切分文本
TokenStream tokenStream = analyzer.tokenStream("text", "楊尚川是APDPlat應用級産品開發平台的作者");
//準備消費
tokenStream.reset();
//開始消費
while(tokenStream.incrementToken()){
    //詞
    CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);
    //詞在文本中的起始位置
    OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
    //第幾個詞
    PositionIncrementAttribute positionIncrementAttribute = tokenStream.getAttribute(PositionIncrementAttribute.class);
    //詞性
    PartOfSpeechAttribute partOfSpeechAttribute = tokenStream.getAttribute(PartOfSpeechAttribute.class);
    //首字母縮略拼音
    AcronymPinyinAttribute acronymPinyinAttribute = tokenStream.getAttribute(AcronymPinyinAttribute.class);
    //完整拼音
    FullPinyinAttribute fullPinyinAttribute = tokenStream.getAttribute(FullPinyinAttribute.class);
    //同義詞
    SynonymAttribute synonymAttribute = tokenStream.getAttribute(SynonymAttribute.class);
    //反義詞
    AntonymAttribute antonymAttribute = tokenStream.getAttribute(AntonymAttribute.class);

    LOGGER.info(charTermAttribute.toString()+" ("+offsetAttribute.startOffset()+" - "+offsetAttribute.endOffset()+") "+positionIncrementAttribute.getPositionIncrement());
    LOGGER.info("PartOfSpeech:"+partOfSpeechAttribute.toString());
    LOGGER.info("AcronymPinyin:"+acronymPinyinAttribute.toString());
    LOGGER.info("FullPinyin:"+fullPinyinAttribute.toString());
    LOGGER.info("Synonym:"+synonymAttribute.toString());
    LOGGER.info("Antonym:"+antonymAttribute.toString());
}
//消費完畢
tokenStream.close();

3、利用word分析器建立Lucene索引
Directory directory = new RAMDirectory();
IndexWriterConfig config = new IndexWriterConfig(analyzer);
IndexWriter indexWriter = new IndexWriter(directory, config);

4、利用word分析器查詢Lucene索引
QueryParser queryParser = new QueryParser("text", analyzer);
Query query = queryParser.parse("text:楊尚川");
TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);      

17、Solr插件：

1、下載下傳word-1.3.jar
下載下傳位址：http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.3/word-1.3.jar

2、建立目錄solr-5.1.0/example/solr/lib，将word-1.3.jar複制到lib目錄

3、配置schema指定分詞器
将solr-5.1.0/example/solr/collection1/conf/schema.xml檔案中所有的
<tokenizer class="solr.WhitespaceTokenizerFactory"/>和
<tokenizer class="solr.StandardTokenizerFactory"/>全部替換為
<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>
并移除所有的filter标簽

4、如果需要使用特定的分詞算法：
<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/>
segAlgorithm可選值有：  
正向最大比對算法：MaximumMatching
逆向最大比對算法：ReverseMaximumMatching
正向最小比對算法：MinimumMatching
逆向最小比對算法：ReverseMinimumMatching
雙向最大比對算法：BidirectionalMaximumMatching
雙向最小比對算法：BidirectionalMinimumMatching
雙向最大最小比對算法：BidirectionalMaximumMinimumMatching
全切分算法：FullSegmentation
最少分詞算法：MinimalWordCount
最大Ngram分值算法：MaxNgramScore
如不指定，預設使用雙向最大比對算法：BidirectionalMaximumMatching

5、如果需要指定特定的配置檔案：
<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"
        conf="solr-5.1.0/example/solr/nutch/conf/word.local.conf"/>
word.local.conf檔案中可配置的内容見 word-1.3.jar 中的word.conf檔案
如不指定，使用預設配置檔案，位于 word-1.3.jar 中的word.conf檔案      

18、ElasticSearch插件：

1、打開指令行并切換到elasticsearch的bin目錄
cd elasticsearch-1.5.1/bin

2、運作plugin腳本安裝word分詞插件：
./plugin -u http://apdplat.org/word/archive/v1.2.zip -i word

3、修改檔案elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置：    
index.analysis.analyzer.default.type : "word"
index.analysis.tokenizer.default.type : "word"

4、啟動ElasticSearch測試效果，在Chrome浏覽器中通路：    
http://localhost:9200/_analyze?analyzer=word&text=楊尚川是APDPlat應用級産品開發平台的作者

5、自定義配置
修改配置檔案elasticsearch-1.5.1/plugins/word/word.local.conf

6、指定分詞算法
修改檔案elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置：
index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching"
index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching"

這裡segAlgorithm可指定的值有：
正向最大比對算法：MaximumMatching
逆向最大比對算法：ReverseMaximumMatching
正向最小比對算法：MinimumMatching
逆向最小比對算法：ReverseMinimumMatching
雙向最大比對算法：BidirectionalMaximumMatching
雙向最小比對算法：BidirectionalMinimumMatching
雙向最大最小比對算法：BidirectionalMaximumMinimumMatching
全切分算法：FullSegmentation
最少分詞算法：MinimalWordCount
最大Ngram分值算法：MaxNgramScore
如不指定，預設使用雙向最大比對算法：BidirectionalMaximumMatching      

19、Luke插件：

1、下載下傳http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar（國内不能通路）

2、下載下傳并解壓Java中文分詞元件word-1.0-bin.zip：http://pan.baidu.com/s/1dDziDFz

3、将解壓後的 Java中文分詞元件word-1.0-bin/word-1.0 檔案夾裡面的4個jar包解壓到目前檔案夾
用壓縮解壓工具如winrar打開lukeall-4.0.0-ALPHA.jar，将目前檔案夾裡面除了META-INF檔案夾、.jar、
.bat、.html、word.local.conf檔案外的其他所有檔案拖到lukeall-4.0.0-ALPHA.jar裡面

4、執行指令 java -jar lukeall-4.0.0-ALPHA.jar 啟動luke，在Search頁籤的Analysis裡面
就可以選擇 org.apdplat.word.lucene.ChineseWordAnalyzer 分詞器了

5、在Plugins頁籤的Available analyzers found on the current classpath裡面也可以選擇 
org.apdplat.word.lucene.ChineseWordAnalyzer 分詞器

注意：如果你要自己內建word分詞器的其他版本，在項目根目錄下運作mvn install編譯項目，然後運作指令
mvn dependency:copy-dependencies複制依賴的jar包，接着在target/dependency/目錄下就會有所有
的依賴jar包。其中target/dependency/slf4j-api-1.6.4.jar是word分詞器使用的日志架構，
target/dependency/logback-classic-0.9.28.jar和
target/dependency/logback-core-0.9.28.jar是word分詞器推薦使用的日志實作，日志實作的配置檔案
路徑位于target/classes/logback.xml，target/word-1.3.jar是word分詞器的主jar包，如果需要
自定義詞典，則需要修改分詞器配置檔案target/classes/word.conf      

已經內建好的Luke插件下載下傳（适用于lucene4.0.0） ：​​lukeall-4.0.0-ALPHA-with-word-1.0.jar​​

已經內建好的Luke插件下載下傳（适用于lucene4.10.3）：​​lukeall-4.10.3-with-word-1.2.jar​​

20、詞向量：

從大規模語料中統計一個詞的上下文相關詞，并用這些上下文相關詞組成的向量來表達這個詞。
通過計算詞向量的相似性，即可得到詞的相似性。
相似性的假設是建立在如果兩個詞的上下文相關詞越相似，那麼這兩個詞就越相似這個前提下的。

通過運作項目根目錄下的腳本demo-word-vector-corpus.bat來體驗word項目自帶語料庫的效果

如果有自己的文本内容，可以使用腳本demo-word-vector-file.bat來對文本分詞、建立詞向量、計算相似性      

分詞算法效果評估：

1、word分詞 最大Ngram分值算法：
分詞速度：397.73047 字元/毫秒
行數完美率：59.93%  行數錯誤率：40.06%  總的行數：2533709  完美行數：1518525  錯誤行數：1015184
字數完美率：51.56% 字數錯誤率：48.43% 總的字數：28374490 完美字數：14632098 錯誤字數：13742392

2、word分詞 全切分算法：
分詞速度：67.032585 字元/毫秒
行數完美率：57.2%  行數錯誤率：42.79%  總的行數：2533709  完美行數：1449288  錯誤行數：1084421
字數完美率：47.95% 字數錯誤率：52.04% 總的字數：28374490 完美字數：13605742 錯誤字數：14768748

3、word分詞 雙向最大最小比對算法：
分詞速度：367.99805 字元/毫秒
行數完美率：53.06%  行數錯誤率：46.93%  總的行數：2533709  完美行數：1344624  錯誤行數：1189085
字數完美率：43.07% 字數錯誤率：56.92% 總的字數：28374490 完美字數：12221610 錯誤字數：16152880

4、word分詞 最少分詞算法：
分詞速度：364.40622 字元/毫秒
行數完美率：47.75%  行數錯誤率：52.24%  總的行數：2533709  完美行數：1209976  錯誤行數：1323733
字數完美率：37.59% 字數錯誤率：62.4% 總的字數：28374490 完美字數：10666443 錯誤字數：17708047

5、word分詞 雙向最小比對算法：
分詞速度：657.13635 字元/毫秒
行數完美率：46.34%  行數錯誤率：53.65%  總的行數：2533709  完美行數：1174276  錯誤行數：1359433
字數完美率：36.07% 字數錯誤率：63.92% 總的字數：28374490 完美字數：10236574 錯誤字數：18137916

6、word分詞 雙向最大比對算法：
分詞速度：539.0905 字元/毫秒
行數完美率：46.18%  行數錯誤率：53.81%  總的行數：2533709  完美行數：1170075  錯誤行數：1363634
字數完美率：35.65% 字數錯誤率：64.34% 總的字數：28374490 完美字數：10117122 錯誤字數：18257368

7、word分詞 正向最大比對算法：
分詞速度：662.2127 字元/毫秒
行數完美率：41.88%  行數錯誤率：58.11%  總的行數：2533709  完美行數：1061189  錯誤行數：1472520
字數完美率：31.35% 字數錯誤率：68.64% 總的字數：28374490 完美字數：8896173 錯誤字數：19478317

8、word分詞 逆向最大比對算法：
分詞速度：1082.0459 字元/毫秒
行數完美率：41.69%  行數錯誤率：58.3%  總的行數：2533709  完美行數：1056515  錯誤行數：1477194
字數完美率：30.98% 字數錯誤率：69.01% 總的字數：28374490 完美字數：8792532 錯誤字數：19581958

9、word分詞 逆向最小比對算法：
分詞速度：1906.6315 字元/毫秒
行數完美率：41.42%  行數錯誤率：58.57%  總的行數：2533709  完美行數：1049673  錯誤行數：1484036
字數完美率：31.34% 字數錯誤率：68.65% 總的字數：28374490 完美字數：8893622 錯誤字數：19480868

10、word分詞 正向最小比對算法：
分詞速度：1839.1554 字元/毫秒
行數完美率：36.7%  行數錯誤率：63.29%  總的行數：2533709  完美行數：930069  錯誤行數：1603640
字數完美率：26.72% 字數錯誤率：73.27% 總的字數：28374490 完美字數：7583741 錯誤字數：20790749      

相關文章：

1、中文分詞算法 之 基于詞典的正向最大比對算法

2、中文分詞算法 之 基于詞典的逆向最大比對算法

3、中文分詞算法 之 詞典機制性能優化與測試

4、中文分詞算法 之 基于詞典的正向最小比對算法

5、中文分詞算法 之 基于詞典的逆向最小比對算法

6、一種利用ngram模型來消除歧義的中文分詞方法

7、一種基于詞性序列的人名識别方法

8、中文分詞算法 之 基于詞典的全切分算法

9、9大Java開源中文分詞器的使用方法和分詞效果對比

10、中文分詞之11946組同義詞

11、中文分詞之9271組反義詞

12、如何利用多核提升分詞速度

相關項目：