北大开源了中文分词工具包，准确度远超Jieba，提供三个预训练模型

点击上方“Python数据科学”，星标公众号

重磅干货，第一时间送达

车栗子 发自 凹非寺
量子位 报道 | 公众号 QbitAI

“土地，快告诉俺老孙，俺的金箍棒在哪？”

“大圣，您的金箍，棒就棒在特别适合您的发型。”

中文分词，是一门高深莫测的技术。不论对于人类，还是对于AI。

最近，北大开源了一个中文分词工具包，名为PKUSeg，基于Python。

工具包的分词准确率，远远超过THULAC和结巴分词这两位重要选手。

除此之外，PKUSeg支持多领域分词，也支持用全新的标注数据来训练模型。

准确度对比

这次比赛，PKUSeg的对手有两位：

一位是来自清华的THULAC，一位是要“做最好的中文分词组件”的结巴分词。它们都是目前主流的分词工具。

测试环境是Linux，测试数据集是MSRA (新闻数据) 和CTB8 (混合型文本) 。

结果如下：

比赛用的评判标准，是第二届国际汉语分词评测比赛提供的分词评价脚本。

在F分数和错误率两项指标上，PKUSeg都明显优于另外两位对手。

食用方法

预训练模型

PKUSeg提供了三个预训练模型，分别是在不同类型的数据集上训练的。

一是用MSRA (新闻语料) 训练出的模型：
https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

二是用CTB8 (新闻文本及网络文本的混合型语料) 训练出的模型：
https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

三是在微博 (网络文本语料) 上训练的模型：
https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

△ 微博语料举栗

大家可以按照自己的需要，选择加载不同的模型。

除此之外，也可以用全新的标注数据，来训练新的模型。

代码示例

1代码示例1        使用默认模型及默认词典分词
2import pkuseg
3seg = pkuseg.pkuseg()                #以默认配置加载模型
4text = seg.cut('我爱北京天安门')    #进行分词
5print(text)

1代码示例2        设置用户自定义词典
2import pkuseg
3lexicon = ['北京大学', '北京天安门']    #希望分词时用户词典中的词固定不分开
4seg = pkuseg.pkuseg(user_dict=lexicon)    #加载模型，给定用户词典
5text = seg.cut('我爱北京天安门')        #进行分词
6print(text)

1代码示例3
2import pkuseg
3seg = pkuseg.pkuseg(model_name='./ctb8')    #假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型
4text = seg.cut('我爱北京天安门')            #进行分词
5print(text)

如果想自己训练一个新模型的话：

1代码示例5
2import pkuseg
3pkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models', nthread=20)    #训练文件为'msr_training.utf8'，测试文件为'msr_test_gold.utf8'，模型存到'./models'目录下，开20个进程训练模型

欲知更详细的用法，可前往文底传送门。

快去试一下

PKUSeg的作者有三位，Ruixuan Luo (罗睿轩)，Jingjing Xu (许晶晶) ，以及Xu Sun (孙栩) 。

工具包的诞生，也是基于其中两位参与的ACL论文。

准确率又那么高，还不去试试？

GitHub传送门：
https://github.com/lancopku/PKUSeg-python

论文传送门：

http://www.aclweb.org/anthology/P12-1027

http://aclweb.org/anthology/P16-2092

如果喜欢本篇文章，欢迎转发、点赞。关注订阅号「Python数据科学」，回复「进群」即可进入无广告技术交流。

---

赠送三本深度学习新书

Tensorflow+PyTorch深度学习从算法到实战

👆扫描上方二维码购买

内容介绍：《TensorFlow+PyTorch深度学习从算法到实战》详尽介绍深度学习相关的基本原理与使用TensorFlow、PyTorch两大主流框架的开发基础知识和基本技术，并且展示了在图像识别与文本生成实际问题中的应用方法。同时考虑到程序员擅长JavaScript 的人员比熟悉Python 的人员更多的情况，特别增加了对于TensorFlow.js 的介绍。初学者面对深度学习望而却步的主要原因是认为入门门槛太高，需要较多的算法基础训练。针对此问题，本书原创了5-4-6 学习模型提纲挈领地降低学习曲线，并通过将知识点和难点分散到代码中的方式让读者以熟悉的方式迅速入门，并且为进一步学习打下坚实的基础。同时，本书也介绍了AutoML和深度强化学习等新技术，帮助读者开阔眼界。

赠送方式

关注下方公众号，回复：抽奖

---

推荐阅读
5、Github中文项目排行榜，你永远想不到开发者都用它干了什么喜欢文章，点个在看