Jiagu：中文深度学习自然语言处理工具

推荐一个新的开源中文深度学习自然语言处理工具：Jiagu, 包括中文分词、词性标注、命名实体识别、情感分析、新词发现、关键词、文本摘要等。贡献者包括 Yener、zengbin93、dirtdust，感兴趣的同学可以试用，Github地址，点击文末阅读原文可直达：

https://github.com/ownthink/Jiagu

---

Jiagu自然语言处理工具

Jiagu以BiLSTM等模型为基础，使用大规模语料训练而成。将提供中文分词、词性标注、命名实体识别、关键词抽取、文本摘要、新词发现等常用自然语言处理功能。参考了各大工具优缺点制作，将Jiagu回馈给大家。

目录

• 安装方式

• 使用方式

• 评价标准

• 附录说明

---

提供的功能有：

• 中文分词

• 词性标注

• 命名实体识别

• 情感分析 todo

• 关键词提取

• 文本摘要

• 新词发现

• 等等。。。。

---

安装方式

pip安装

pip install jiagu

源码安装

git clone https://github.com/ownthink/Jiagucd Jiagu python3 setup.py install

使用方式

1. 快速上手：分词、词性标注、命名实体识别

import jiagu#jiagu.init() # 可手动初始化，也可以动态初始化text = '厦门明天会不会下雨'words = jiagu.seg(text) # 分词print(words) pos = jiagu.pos(words) # 词性标注print(pos) ner = jiagu.ner(text) # 命名实体识别print(ner)

1. 中文分词

分词各种模式使用方式

import jiagu text = '汉服和服装'words = jiagu.seg(text) # 默认分词print(words) words = jiagu.seg([text, text, text], input='batch') # 批量分词，加快速度。print(words) words = jiagu.seg(text, model='mmseg') # 使用mmseg算法进行分词print(words)

自定义分词模型（将单独提供msr、pku、cnc等分词标准）

import jiagu# 独立标准模型路径# msr：test/extra_data/model/msr.model# pku：test/extra_data/model/pku.model# cnc：test/extra_data/model/cnc.modeljiagu.load_model('test/extra_data/model/cnc.model') # 使用国家语委分词标准words = jiagu.seg('结婚的和尚未结婚的')print(words)

1. 关键词提取

import jiagu text = '''该研究主持者之一、波士顿大学地球与环境科学系博士陈池（音）表示，“尽管中国和印度国土面积仅占全球陆地的9%，但两国为这一绿化过程贡献超过三分之一。考虑到人口过多的国家一般存在对土地过度利用的问题，这个发现令人吃惊。”NASA埃姆斯研究中心的科学家拉玛·内曼尼（Rama Nemani）说，“这一长期数据能让我们深入分析地表绿化背后的影响因素。我们一开始以为，植被增加是由于更多二氧化碳排放，导致气候更加温暖、潮湿，适宜生长。”“MODIS的数据让我们能在非常小的尺度上理解这一现象，我们发现人类活动也作出了贡献。”NASA文章介绍，在中国为全球绿化进程做出的贡献中，有42%来源于植树造林工程，对于减少土壤侵蚀、空气污染与气候变化发挥了作用。据观察者网过往报道，2017年我国全国共完成造林736.2万公顷、森林抚育830.2万公顷。其中，天然林资源保护工程完成造林26万公顷，退耕还林工程完成造林91.2万公顷。京津风沙源治理工程完成造林18.5万公顷。三北及长江流域等重点防护林体系工程完成造林99.1万公顷。完成国家储备林建设任务68万公顷。''' keywords = jiagu.keywords(text, 5) # 关键词print(keywords)

1. 文本摘要

fin = open('input.txt', 'r') text = fin.read() fin.clone() summarize = jiagu.summarize(text, 3) # 摘要print(summarize)

1. 新词发现

import jiagu jiagu.findword('input.txt', 'output.txt') # 根据文本，利用信息熵做新词发现。

评价标准

1. msr测试结果

附录

1. 词性标注说明

n　　　普通名词 nt　 　时间名词 nd　 　方位名词 nl　 　处所名词 nh　 　人名 nhf　　姓 nhs　　名 ns　 　地名 nn 　　族名 ni 　　机构名 nz 　　其他专名 v　　 动词 vd　　趋向动词 vl　　联系动词 vu　　能愿动词 a　 　形容词 f　 　区别词 m　 　数词　　 q　 　量词 d　 　副词 r　 　代词 p　　 介词 c　 　连词 u　　 助词 e　 　叹词 o　 　拟声词 i　 　习用语 j　　 缩略语 h　　 前接成分 k　　 后接成分 g　 　语素字 x　 　非语素字 w　 　标点符号 ws　　非汉字字符串 wu　　其他未知的符号

1. 命名实体说明（采用BIO标记方式）

B-PER、I-PER   人名 B-LOC、I-LOC   地名 B-ORG、I-ORG   机构名