雖然是愚人節(jié)，但是這個(gè)不是愚人節(jié)玩笑，最近花了一些時(shí)間在MeCab身上，越發(fā)喜歡這個(gè)來自島國的開源分詞系統(tǒng)，今天花了一些時(shí)間訓(xùn)練了一個(gè)更適用的模型和詞典，打包提供給大家使用，因?yàn)閿?shù)據(jù)和詞典涉及到一些版權(quán)問題，所以打包文件里只是mecab用于發(fā)布的二進(jìn)制詞典和模型文件，目前在mac os和linux ubuntu系統(tǒng)下測試無誤，其他系統(tǒng)請自行測試使用：

鏈接: 密碼: 8udf

了解和安裝mecab請參考：

日文分詞器 Mecab 文檔

用MeCab打造一套實(shí)用的中文分詞系統(tǒng)

使用前請按上述文檔安裝mecab，下載這個(gè)中文分詞模型和詞典之后解壓，解壓后得到一個(gè)mecab-chinese-data目錄，執(zhí)行:

mecab -d mecab-chinese-data

揚(yáng)帆遠(yuǎn)東做與中國合作的先行

揚(yáng)帆v,*,*,*,*,*,揚(yáng)帆,*,*

遠(yuǎn)東ns,*,*,*,*,*,遠(yuǎn)東,*,*

做v,*,*,*,*,*,做,*,*

與p,*,*,*,*,*,與,*,*

中國ns,*,*,*,*,*,中國,*,*

合作v,*,*,*,*,*,合作,*,*

的u,*,*,*,*,*,的,*,*

先行vn,*,*,*,*,*,先行,*,*

EOS

上述第二列提供了詞性標(biāo)注結(jié)果。

如果想得到單行的分詞結(jié)果，可以這樣執(zhí)行：

mecab -d ./mecab-chinese-data/ -O wakati

揚(yáng)帆遠(yuǎn)東做與中國合作的先行

揚(yáng)帆 遠(yuǎn)東 做 與 中國 合作 的 先行

如果想直接對文件分詞，可以這樣執(zhí)行：

mecab -d ./mecab-chinese-data/ INPUT -o OUTPUT

具體可以參考上述兩個(gè)文檔，另外我在mac下測試了一下中文維基百科語料的切分速度，大概700多M的語料，不到90秒切分完畢，大概7M/s的切分速度完全達(dá)到了工業(yè)屆的使用標(biāo)準(zhǔn)。另外Mecab還支持Nbest輸出，多種輸出格式，全切分模式，系統(tǒng)詞典和用戶詞典定制等等，同時(shí)通過SWIG提供了perl, ruby, python, java的調(diào)用接口，非常方便。

以下是在backoff2005 人民日報(bào)語料庫上的測試結(jié)果：

=== SUMMARY:

=== TOTAL INSERTIONS:3803

=== TOTAL DELETIONS:1981

=== TOTAL SUBSTITUTIONS:5004

=== TOTAL NCHANGE:10788

=== TOTAL TRUE WORD COUNT:104372

=== TOTAL TEST WORD COUNT:106194

=== TOTAL TRUE WORDS RECALL:0.933

=== TOTAL TEST WORDS PRECISION:0.917

=== F MEASURE:0.925

=== OOV Rate:0.058

=== OOV Recall Rate:0.482

=== IV Recall Rate:0.961

###pku_test.result380319815004107881043721061940.9330.9170.9250.0580.4820.961

召回率93.3%，準(zhǔn)確率91.7%, F值為92.5%, 雖然還沒有一個(gè)單純針對這個(gè)測試語料比賽的分詞結(jié)果好，但是測試了一些其他語料后覺得這個(gè)版本完全可以作為一個(gè)基準(zhǔn)版本使用，另外mecab也提供了用戶定制詞典接口，方便用戶按自己的需求定制使用。

更多信息請查看IT技術(shù)專欄