最近，北大開源了一個中文分詞工具包，它在多個分詞數(shù)據(jù)集上都有非常高的分詞準(zhǔn)確率。其中廣泛使用的結(jié)巴分詞誤差率高達(dá) 18.55% 和 20.42，而北大的 pkuseg 只有 3.25% 與 4.32%。

pkuseg 是由北京大學(xué)語言計算與機(jī)器學(xué)習(xí)研究組研制推出的一套全新的中文分詞工具包。它簡單易用，支持多領(lǐng)域分詞，在不同領(lǐng)域的數(shù)據(jù)上都大幅提高了分詞的準(zhǔn)確率。

• 項目地址：https://github.com/lancopku/PKUSeg-python

pkuseg 具有如下幾個特點：

• 高分詞準(zhǔn)確率：相比于其他的分詞工具包，該工具包在不同領(lǐng)域的數(shù)據(jù)上都大幅提高了分詞的準(zhǔn)確度。根據(jù)北大研究組的測試結(jié)果，pkuseg 分別在示例數(shù)據(jù)集（MSRA 和 CTB8）上降低了 79.33% 和 63.67% 的分詞錯誤率。

• 多領(lǐng)域分詞：研究組訓(xùn)練了多種不同領(lǐng)域的分詞模型。根據(jù)待分詞的領(lǐng)域特點，用戶可以自由地選擇不同的模型。

• 支持用戶自訓(xùn)練模型：支持用戶使用全新的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。

此外，作者們還選擇 THULAC、結(jié)巴分詞等國內(nèi)代表分詞工具包與 pkuseg 做性能比較。他們選擇 Linux 作為測試環(huán)境，在新聞數(shù)據(jù)（MSRA）和混合型文本（CTB8）數(shù)據(jù)上對不同工具包進(jìn)行了準(zhǔn)確率測試。此外，測試使用的是第二屆國際漢語分詞評測比賽提供的分詞評價腳本。評測結(jié)果如下：

我們可以看到，最廣泛使用的結(jié)巴分詞準(zhǔn)確率***，清華構(gòu)建的 THULAC 分詞準(zhǔn)確率也沒有它高。當(dāng)然，pkuseg 是在這些數(shù)據(jù)集上訓(xùn)練的，因此它在這些任務(wù)上的準(zhǔn)確率也會更高一些。

預(yù)訓(xùn)練模型

分詞模式下，用戶需要加載預(yù)訓(xùn)練好的模型。研究組提供了三種在不同類型數(shù)據(jù)上訓(xùn)練得到的模型，根據(jù)具體需要，用戶可以選擇不同的預(yù)訓(xùn)練模型。以下是對預(yù)訓(xùn)練模型的說明：

• MSRA：在 MSRA（新聞?wù)Z料）上訓(xùn)練的模型。新版本代碼采用的是此模型。

• CTB8：在 CTB8（新聞文本及網(wǎng)絡(luò)文本的混合型語料）上訓(xùn)練的模型。

• WEIBO：在微博（網(wǎng)絡(luò)文本語料）上訓(xùn)練的模型。

其中，MSRA 數(shù)據(jù)由第二屆國際漢語分詞評測比賽提供，CTB8 數(shù)據(jù)由 LDC 提供，WEIBO 數(shù)據(jù)由 NLPCC 分詞比賽提供。在 GitHub 項目中，這三個預(yù)訓(xùn)練模型都提供了下載地址。

安裝與使用

pkuseg 的安裝非常簡單，我們可以使用 pip 安裝，也可以直接從 GitHub 下載：

pip install pkuseg 

使用 pkuseg 實現(xiàn)分詞也很簡單，基本上和其它分詞庫的用法都差不多：

'''代碼示例1: 使用默認(rèn)模型及默認(rèn)詞典分詞''' 
import pkuseg 
 
#以默認(rèn)配置加載模型 
seg = pkuseg.pkuseg() 
#進(jìn)行分詞 
text = seg.cut('我愛北京天安門') 
print(text) 
 
'''代碼示例2: 設(shè)置用戶自定義詞典''' 
import pkuseg 
 
#希望分詞時用戶詞典中的詞固定不分開 
lexicon = ['北京大學(xué)', '北京天安門'] 
#加載模型，給定用戶詞典 
seg = pkuseg.pkuseg(user_dict=lexicon) 
text = seg.cut('我愛北京天安門') 
print(text) 
 
'''代碼示例3''' 
import pkuseg 
 
#假設(shè)用戶已經(jīng)下載好了ctb8的模型并放在了'./ctb8'目錄下，通過設(shè)置model_name加載該模型 
seg = pkuseg.pkuseg(model_name='./ctb8') 
text = seg.cut('我愛北京天安門') 
print(text) 

對于大型文本數(shù)據(jù)集，如果需要快速分詞的話，我們也可以采用多線程的方式：

'''代碼示例4''' 
import pkuseg 
#對input.txt的文件分詞輸出到output.txt中，使用默認(rèn)模型和詞典，開20個進(jìn)程 
pkuseg.test('input.txt', 'output.txt', nthread=20) 

***，pkuseg 還能重新訓(xùn)練一個分詞模型：

'''代碼示例5''' 
import pkuseg 
 
#訓(xùn)練文件為'msr_training.utf8'，測試文件為'msr_test_gold.utf8'，模型存到'./models'目錄下，開20個進(jìn)程訓(xùn)練模型 
pkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models', nthread=20) 

這些都是 GitHub 上的示例，詳細(xì)的內(nèi)容請參考 GitHub 項目，例如參數(shù)說明和參考論文等。