中文分词工具评估

最近我们分享了一些关于分词的事情，对于琳琅满目的分词工具，我们到底该选择哪个呢？

这里有一个 Java 开源项目 cws_evaluation ，对中文分词做了评比，但有几点不足：(1). 只有java版本，但是机器学习主要是基于 python 的 (2).效果指标为行完美率和字完美率，该指标不妥，特别是句子越长，越无意义，(3). 每种分词工具评测的算法太多了，这里仅评比了默认的分词算法。

基于此，我做了一个java和python版本中文分词工具评比项目 chinese-segmentation-evaluation 。

项目简介

测试了java和python常见中文分词工具的效果和效率

java

Requirement

java8

步骤

1. git clone https://github.com/tiandiweizun/nlp-evaluation.git
2. cd nlp-evaluation/java
3. (windows)   .\gradlew.bat build    (linux)   ./gradlew build
4. java -Dfile.encoding=utf-8 -jar build/libs/nlp-evaluation-java-1.0.0.jar

说明

1. java -jar nlp-evaluation-java-1.0.0.jar 有3个参数，可以执行 java -jar nlp-evaluation-java-1.0.0.jar -h 查看
   -i 分词文件，默认为data/seg.data_big文件,每行一个句子，每个词用空格分开，可以指定自己的测试集
   -o 分词结果存储路径，默认不存储
   -n 最大读取分词文件行数
   -c 需要评估的分词器名称，用英文逗号隔开，默认HanLP，jieba，thulac，示例: -c=HanLP
2. 由于 斯坦福分词 效果一般，速度极慢，且模型巨大，在打包的时候已经排除（不影响在IDE里面测试）， 打包如果要包含斯坦福分词，修改build.gradle，注释掉exclude(dependency('edu.stanford.nlp:stanford-corenlp'))
3. 由于 Word 、 Ansj 、 Jcseg 、 MMSeg4j 存在bug（把词语拼接起来和原始句子不一样），在代码里面已经注释掉了，不进行测试。
4. 依赖的库均存在于maven中心仓库，像庖丁、复旦分词等找不到的，这里没有测试

测试效果

总行数:2533709 总字符数:28374490

经过多次测试发现，thulac在 linux 上速度不是特别稳定，最快与jiba差不多

开发者

• 建议使用idea打开或者导入java目录，把data目录拷贝到java目录，直接可以运行SegEvaluation调试。
• 可以打开stanford和其他分词器
• 评测自定义分词器：继承Seg类并实现segment方法，添加到evaluators即可。

python

Requirement

Python:3
其他参见 requirements.txt

步骤

1. git clone https://github.com/tiandiweizun/nlp-evaluation.git
2. cd nlp-evaluation
3. pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
4. cd python/indi.tiandi.nlp.evaluation
5. python3 SegEvaluation.py

说明

1. python3 SegEvaluation.py 有3个参数，可以执行 python3 SegEvaluation.py -h 查看
   -i 分词文件，默认为data/seg.data_big文件,每行一个句子，每个词用空格分开，可以指定自己的测试集
   -o 分词结果存储路径，默认不存储
   -n 最大读取分词文件行数，由于python速度太慢，建议设置
   -c 需要评估的分词器名称，用英文逗号隔开，默认pkuseg，jieba_fast，thulac
2. pynlpir 存在bug(把词语拼接起来和原始句子不一样)， pyltp 在windows上不易安装，这里都没有进行测试，比较慢的也没有测试

测试效果

总行数:2533709 总字符数:28374490

开发者

• 建议使用pycharm打开python目录，即可运行
• 如果需要使用pynlpir，需要修改pynlpir_path的安装目录
• 如果需要使用pyltp，需要修改ltp_data_dir的模型分词目录
• 评测自定义分词器：只要实现segment方法和向evaluators追加即可。

总结

• 性能：java 远高于python，至少差了一个数量级。
• 效果：对于jieba和thulac，在python和java上表现的不同，需要更多的时间去寻找原因，且java的thulac4j非官方提供。
• 数据：默认数据集来源于 cws_evaluation ，该项目为评估中文分词的性能与效果，对于效果该项目采用的是行完美率这个指标，但是对于长句，这个指标会变的不合适，如果不同算法的错误率不一样，但是如果有一个错的词，会导致整个句子都是错的，不能很好的区分算法的precision