盘古分词

盘古分词是一个基于 .net framework 的中英文分词组件。主要功能

• 中文未登录词识别
  • 盘古分词可以对一些不在字典中的未登录词自动识别
• 词频优先
  • 盘古分词可以根据词频来解决分词的歧义问题
• 多元分词
  • 盘古分词提供多重输出解决分词粒度和分词精度权衡的问题
• 中文人名识别
  • 输入： “张三说的确实在理”
  • 分词结果：张三/说/的/确实/在理/
  • 输入 “李三买了一张三角桌子”
  • 分词结果：李三/买/了/一张/三角/桌子/
• 强制一元分词
  • 输入 “张三说的确实在理”
  • 分词结果： 张(0,1)/张三(0,5)/三说的(1,1)/三(1,1)/说(2,5)/的(3,5)/确(4,1)/确实(4,5)/实(5,1)/在 (6,1)/在理(6,5)/理(7,1)/
• 繁体中文分词
  • 输入"我的選擇"
  • 分词结果： 我/的/選擇/
• 同时输出简体和繁体
  • 输入"我的選擇"
  • 分词结果：我(0,5)/的(1,5)/选择(2,1)/選擇(2,5)/
• 中文词性输出
  • 盘古分词可以将以登录词的中文词性输出给用户，以方便用户做进一步处理。
• 全角字符支持
  • 盘古分词可以识别全角的字母和数字

  • 英文分词

    • 英文分词
      • 英文单词通常都是靠空格等符号分割，这个比较简单，盘古分词分英文自然也没有什么问题。
    • 英文专用词识别

    一些英文简写是字母符号混合，或者是字母数字混合，这个分词起来就不能按照空格符号这样分割了，对于字母符号混合的如 U.S.A ，
    只要将这个 词录入到字典中，盘古分词就可以分出整词。对于字母和数字混合的，盘古分词会自动作为整词输出。

    • 英文原词输出
    • 英文大小写同时输出

    其他功能

    • 停用词过滤

    对于一些标点符号，连词，助词等有时候需要在分词时过滤掉，盘古分词提供一个 StopWord.txt 文件，用户只要将需要过滤的词加入到这个文件中，
    并将停用词过滤开发打开，就可以过滤掉这些词。

    • 设置分词权值

    盘古分词可以让用户对如下特性设置自定义权值

    1. 未登录词权值
    2. 最匹配词权值
    3. 次匹配词权值
    4. 再次匹配词权值
    5. 强行输出的单字的权值
    6. 数字的权值
    7. 英文词汇权值
    8. 符号的权值
    9. 强制同时输出简繁汉字时，非原来文本的汉字输出权值。

    *用户自定义规则

    • 字典管理
      • 盘古分词提供一个字典管理工具 DictManage 通过这个工具，你可以增加，修改，和删除字典中的单词
    • 动态加载字典
      • 通过字典工具增加，修改，和删除字典中的单词后，保持字典，盘古分词会自动将新的字典文件加载进去，而不需要重新启动。
    • 关键词高亮组件

    Lucene 提供了一个关键词高亮组件，但这个组件对中文的支持不是特别好，特别是如果还有多元分词的情况，处理的就更不好。
    盘古分词提供了一 个针对中文和英文的关键词高亮组件 PanGu.HighLight ，其对中文的支持要好于Lucene 那个高亮组件。

    • 同义词输出(后续版本提供)
    • Lucene.net 接口及示例

    在PanGu4Lucene 这个包里面有我做的一个盘古+Lucene 的简单新闻搜索Web示例程序，Release 包里面有使用说明。

    性能指标

    Core Duo 1.8 GHz 下单线程 分词速度为 390K 字符每秒，2线程分词速度为 690K 字符每秒。