YahaPython 中文分词库

"哑哈"中文分词，更快或更准确，由你来定义。通过简单定制，让分词模块更适用于你的需求。 "Yaha" You can custom your Chinese Word Segmentation efficiently by using Yaha

基本功能：

• 精确模式，将句子切成最合理的词。


• 全模式，所有的可能词都被切成词，不消除歧义。


• 搜索引擎模式，在精确的基础上再次驿长词进行切分，提高召回率，适合搜索引擎创建索引。


• 备选路径，可生成最好的多条切词路径，可在此基础上根据其它信息得到更精确的分词模式。

可用插件：

• 正则表达式插件


• 人名前缀插件


• 地名后缀插件


• 定制功能。分词过程产生4种阶段，每个阶段都可以加入个人的定制。

附加功能：

• 新词学习功能。通过输入大段文字，学习到此内容产生的新老词语。


• 获取大段文本的关键字。


• 获取大段文本的摘要。


• 支持用户自定义词典

Algorithm

• 核心是基于查找句子的最大概率路径来进行分词。


• 保证效率的基础上，对分词的各个阶段进行定义，方便用户添加属于自己的分词方法(默认有正则，前缀名字与后缀地名)。


• 用户可自定义使用动态规划或Dijdstra算法得到最优的一条或多条路径，再次可根据词性(中科大ictclas的作法)等其它信息得获得最优路径。


• 使用“最大熵”算法来实现对大文本的新词发现能力，很适合使用它来创建自定义词典，或在SNS等场合进行数据挖掘的工作。


• 相比已存在的结巴分词，去掉了很消耗内存的Trie树结构，以及新词发现能力并不强的HMM模型(未来此模型可能当成一个备选插件加入到此模块)。

目前状态

以上提到的核心部分以及基础功能都已得到实现。不过一些细节正在实现当中，目前还未发布版本。 一些片段的代码可以从我的代码分享得到：http://www.oschina.net/code/list_by_user?id=1180874