cws_evaluation中文分词器分词效果评估对比

中文分词器分词效果评估对比

使用说明：

如何建立开发环境？

如果是使用Netbeans、IDEA，则直接打开项目
如果是使用Eclipse、MyEclipse，则要执行导入操作
推荐使用IDEA

评估采用的测试文本位于data目录下，253 3709行，共2837 4490个字符

test-test.txt为未分词的文件，一行一个句子或短语，格式如下：

迈向充满希望的新世纪
   一九九八年新年讲话
   附图片1张
   中共中央总书记
   国家主席江泽民
   一九九七年十二月三十一日
   12月31日
   总书记
   国家主席江泽民发表1998年新年讲话
   新华社记者兰红光摄

standard-text.txt为人工分好词的文件，用于判断参与评估的分词器的分词结果是否正确，词和词之间以空格分隔，格式如下：

迈向 充满 希望 的 新 世纪
   一九九八年 新年 讲话
   附 图片 1 张
   中共中央 总书记
   国家 主席 江泽民
   一九九七年 十二月 三十一日
   12月 31日
   总书记
   国家 主席 江泽民 发表 1998年 新年 讲话
   新华社 记者 兰红光 摄

注意：由于每个分词器的词典格式不一致，除了词典之外使用的其他模型的格式也不一致，所以我们评估对比时没有让所有分词器使用统一的词典和模型，测试的是各个分词器的默认行为

运行org.apdplat.evaluation.Evaluator类可获得评估结果

运行org.apdplat.evaluation.WordSegmenter类可对比不同分词器结果

windows:

./contrast.bat
   ./evaluation.bat

linux:

chmod +x contrast.sh & ./contrast.sh
   chmod +x evaluation.sh & ./evaluation.sh

最终评估结果文件位于report目录下：分词效果评估报告.txt

注意：stanford分词器是吃内存的怪兽，运行的时候需要增加虚拟机参数 -Xms3000m -Xmx3000m

评估报告：

1、word分词 全切分算法：
分词速度：51.79764 字符/毫秒
行数完美率：58.79%  行数错误率：41.2%  总的行数：2533709  完美行数：1489713  错误行数：1043996
字数完美率：49.53% 字数错误率：50.46% 总的字数：28374490 完美字数：14054431 错误字数：14320059

2、Ansj BaseAnalysis 基本分词：
分词速度：1235.2847 字符/毫秒
行数完美率：55.36%  行数错误率：44.63%  总的行数：2533709  完美行数：1402905  错误行数：1130804
字数完美率：48.18% 字数错误率：51.81% 总的字数：28374490 完美字数：13672441 错误字数：14702049

3、word分词 双向最大最小匹配算法：
分词速度：219.50127 字符/毫秒
行数完美率：55.31%  行数错误率：44.68%  总的行数：2533709  完美行数：1401582  错误行数：1132127
字数完美率：45.83% 字数错误率：54.16% 总的字数：28374490 完美字数：13005696 错误字数：15368794

4、smartcn：
分词速度：578.7523 字符/毫秒
行数完美率：55.29%  行数错误率：44.7%  总的行数：2533690  完美行数：1401069  错误行数：1132621
字数完美率：48.03% 字数错误率：51.96% 总的字数：28374433 完美字数：13628910 错误字数：14745523

5、Ansj ToAnalysis 精准分词：
分词速度：713.39294 字符/毫秒
行数完美率：54.72%  行数错误率：45.27%  总的行数：2533709  完美行数：1386683  错误行数：1147026
字数完美率：44.99% 字数错误率：55.0% 总的字数：28374490 完美字数：12768426 错误字数：15606064

6、Ansj NlpAnalysis NLP分词：
分词速度：195.31975 字符/毫秒
行数完美率：52.66%  行数错误率：47.33%  总的行数：2533709  完美行数：1334314  错误行数：1199395
字数完美率：42.66% 字数错误率：57.33% 总的字数：28374490 完美字数：12105808 错误字数：16268682

7、word分词 双向最大匹配算法：
分词速度：346.91458 字符/毫秒
行数完美率：52.01%  行数错误率：47.98%  总的行数：2533709  完美行数：1317801  错误行数：1215908
字数完美率：42.42% 字数错误率：57.57% 总的字数：28374490 完美字数：12038414 错误字数：16336076

8、FudanNLP：
分词速度：121.48538 字符/毫秒
行数完美率：51.48%  行数错误率：48.51%  总的行数：2533709  完美行数：1304371  错误行数：1229338
字数完美率：43.22% 字数错误率：56.77% 总的字数：28374490 完美字数：12265742 错误字数：16108748

9、Jieba SEARCH：
分词速度：867.4031 字符/毫秒
行数完美率：50.84%  行数错误率：49.15%  总的行数：2533709  完美行数：1288237  错误行数：1245472
字数完美率：41.54% 字数错误率：58.45% 总的字数：28374490 完美字数：11789036 错误字数：16585454

10、Jcseg 复杂模式：
分词速度：394.75354 字符/毫秒
行数完美率：47.96%  行数错误率：52.03%  总的行数：2533709  完美行数：1215171  错误行数：1318538
字数完美率：38.84% 字数错误率：61.15% 总的字数：28374490 完美字数：11021588 错误字数：17352902

11、word分词 双向最小匹配算法：
分词速度：464.64523 字符/毫秒
行数完美率：46.76%  行数错误率：53.23%  总的行数：2533709  完美行数：1185013  错误行数：1348696
字数完美率：36.52% 字数错误率：63.47% 总的字数：28374490 完美字数：10365168 错误字数：18009322

12、word分词 逆向最大匹配算法：
分词速度：718.2688 字符/毫秒
行数完美率：46.72%  行数错误率：53.27%  总的行数：2533709  完美行数：1183913  错误行数：1349796
字数完美率：36.67% 字数错误率：63.32% 总的字数：28374490 完美字数：10407342 错误字数：17967148

13、word分词 正向最大匹配算法：
分词速度：718.0325 字符/毫秒
行数完美率：46.66%  行数错误率：53.33%  总的行数：2533709  完美行数：1182351  错误行数：1351358
字数完美率：36.73% 字数错误率：63.26% 总的字数：28374490 完美字数：10422209 错误字数：17952281

14、Jcseg 简易模式：
分词速度：944.65125 字符/毫秒
行数完美率：44.59%  行数错误率：55.4%  总的行数：2533709  完美行数：1130000  错误行数：1403709
字数完美率：35.78% 字数错误率：64.21% 总的字数：28374490 完美字数：10155059 错误字数：18219431

15、word分词 逆向最小匹配算法：
分词速度：1283.449 字符/毫秒
行数完美率：41.78%  行数错误率：58.21%  总的行数：2533709  完美行数：1058606  错误行数：1475103
字数完美率：31.68% 字数错误率：68.31% 总的字数：28374490 完美字数：8989797 错误字数：19384693

16、Ansj IndexAnalysis 面向索引的分词：
分词速度：720.5671 字符/毫秒
行数完美率：40.66%  行数错误率：59.33%  总的行数：2533709  完美行数：1030336  错误行数：1503373
字数完美率：29.81% 字数错误率：70.18% 总的字数：28374490 完美字数：8459997 错误字数：19914493

17、MMSeg4j ComplexSeg：
分词速度：1645.2795 字符/毫秒
行数完美率：38.81%  行数错误率：61.18%  总的行数：2533688  完美行数：983517  错误行数：1550171
字数完美率：29.6% 字数错误率：70.39% 总的字数：28374428 完美字数：8400089 错误字数：19974339

18、MMSeg4j SimpleSeg：
分词速度：2163.3494 字符/毫秒
行数完美率：37.57%  行数错误率：62.42%  总的行数：2533688  完美行数：951909  错误行数：1581779
字数完美率：28.45% 字数错误率：71.54% 总的字数：28374428 完美字数：8074021 错误字数：20300407

19、IKAnalyzer 智能切分：
分词速度：322.74545 字符/毫秒
行数完美率：37.55%  行数错误率：62.44%  总的行数：2533686  完美行数：951638  错误行数：1582048
字数完美率：27.97% 字数错误率：72.02% 总的字数：28374416 完美字数：7938726 错误字数：20435690

20、word分词 正向最小匹配算法：
分词速度：1377.8706 字符/毫秒
行数完美率：36.85%  行数错误率：63.14%  总的行数：2533709  完美行数：933769  错误行数：1599940
字数完美率：26.85% 字数错误率：73.14% 总的字数：28374490 完美字数：7621334 错误字数：20753156

21、Jieba INDEX：
分词速度：788.70605 字符/毫秒
行数完美率：36.02%  行数错误率：63.97%  总的行数：2533709  完美行数：912771  错误行数：1620938
字数完美率：25.9% 字数错误率：74.09% 总的字数：28374490 完美字数：7351689 错误字数：21022801

22、MMSeg4j MaxWordSeg：
分词速度：1685.1461 字符/毫秒
行数完美率：34.27%  行数错误率：65.72%  总的行数：2533688  完美行数：868440  错误行数：1665248
字数完美率：25.2% 字数错误率：74.79% 总的字数：28374428 完美字数：7152898 错误字数：21221530

23、IKAnalyzer 细粒度切分：
分词速度：334.3131 字符/毫秒
行数完美率：18.87%  行数错误率：81.12%  总的行数：2533686  完美行数：478176  错误行数：2055510
字数完美率：10.93% 字数错误率：89.06% 总的字数：28374416 完美字数：3103178 错误字数：25271238

重点说明：
        关于分词速度，这个不是绝对的，每次测试都会有些差距，而完美率是固定的，所以按行数完美类排名
        上面的评估报告中没有包括Stanford分词器和Paoding分词器
        当前代码已经移除了Paoding分词器，因为Paoding分词器已经7年没有维护了
        当前代码升级Stanford分词器到3.5.2，速度慢的无法等待评估完成，仅用于交互式效果对比
        下面是之前代码对 Paoding分词器2.0.4-beta 和 Stanford分词器 3.3.1 的评估数据

Stanford Beijing University segmentation：
分词速度：14.4612055 字符/毫秒
行数完美率：58.29%  行数错误率：41.7%  总的行数：2533709  完美行数：1477034  错误行数：1056675
字数完美率：51.36% 字数错误率：48.63% 总的字数：28374490 完美字数：14574120 错误字数：13800370

Stanford Chinese Treebank segmentation：
分词速度：13.723294 字符/毫秒
行数完美率：55.45%  行数错误率：44.54%  总的行数：2533709  完美行数：1404968  错误行数：1128741
字数完美率：47.27% 字数错误率：52.72% 总的字数：28374490 完美字数：13414926 错误字数：14959564

Paoding MAX_WORD_LENGTH_MODE：
分词速度：1343.1075 字符/毫秒
行数完美率：14.19%  行数错误率：85.8%  总的行数：2533158  完美行数：359637  错误行数：2173521
字数完美率：7.72% 字数错误率：92.27% 总的字数：28373102 完美字数：2191349 错误字数：26181753

Paoding MOST_WORDS_MODE：
分词速度：1338.9246 字符/毫秒
行数完美率：11.6%  行数错误率：88.39%  总的行数：2533158  完美行数：294011  错误行数：2239147
字数完美率：5.92% 字数错误率：94.07% 总的字数：28373102 完美字数：1680261 错误字数：26692841

效果对比：

以 我爱楚离陌 为例子：

word分词器 的分词结果：
    1 、【全切分算法】  我 爱 楚离陌 
    2 、【双向最大最小匹配算法】   我 爱 楚离陌 
    3 、【正向最大匹配算法】 我 爱 楚离陌 
    4 、【双向最大匹配算法】 我 爱 楚离陌 
    5 、【逆向最大匹配算法】 我 爱 楚离陌 
    6 、【正向最小匹配算法】 我 爱 楚离陌 
    7 、【双向最小匹配算法】 我 爱 楚离陌 
    8 、【逆向最小匹配算法】 我 爱 楚离陌 
Stanford分词器 的分词结果：
    1 、【Stanford Chinese Treebank segmentation】   我 爱 楚离陌 
    2 、【Stanford Beijing University segmentation】 我 爱 楚 离陌 
Ansj分词器 的分词结果：
    1 、【BaseAnalysis】 我 爱 楚 离 陌 
    2 、【IndexAnalysis】    我 爱 楚 离 陌 
    3 、【ToAnalysis】   我 爱 楚 离 陌 
    4 、【NlpAnalysis】  我 爱 楚离 陌 
smartcn分词器 的分词结果：
    1 、【smartcn】  我 爱 楚 离 陌 
FudanNLP分词器 的分词结果：
    1 、【FudanNLP】 我 爱楚离陌
Jieba分词器 的分词结果：
    1 、【SEARCH】   我爱楚 离 陌 
    2 、【INDEX】    我爱楚 离 陌 
Jcseg分词器 的分词结果：
    1 、【简易模式】 我 爱 楚 离 陌 
    2 、【复杂模式】 我 爱 楚 离 陌 
MMSeg4j分词器 的分词结果：
    1 、【SimpleSeg】    我爱 楚 离 陌 
    2 、【ComplexSeg】   我爱 楚 离 陌 
    3 、【MaxWordSeg】   我爱 楚 离 陌 
IKAnalyzer分词器 的分词结果：
    1 、【智能切分】 我 爱 楚 离 陌 
    2 、【细粒度切分】  我 爱 楚 离 陌