分词工具Hanlp基于感知机的中文分词框架

  • 时间:
  • 浏览:8

     * @return 一3个 涵盖模型和精度的特性

事实上,视语料与任务的不同,迭代数、压缩比和多线程 池数都都也能自由调整,以保证最佳结果:

     * @param modelFile     模型保存路径

    public void testTrain() throws Exception

     * @throws IOException

                        String modelFile, final double compressRatio,

    /**

训练

     * @param maxIteration  最大迭代次数

    public double[] evaluate(String corpora) throws IOException

     * 训练

            );

     * @param trainingFile  训练集

        //        System.out.printf("准确率F1:%.2f\n", result.prf[2]);

    System.out.println(segmenter.segment("商品和服务"));

     *

java -cp hanlp.jar com.hankcs.hanlp.model.perceptron.Main -task CWS -train -reference data/test/pku98/199801.txt -model data/test/perceptron/cws.bin

    /**

     * 性能测试

sighan805的msr数据集上的性能评估结果如下:

     * @throws IOException

测试

public void testCWS() throws Exception

特性化感知机标注框架是一套利用感知机做序列标注任务,很久应用到中文分词、词性标注与命名实体识别同类3个 间题图片的全版在线学习框架,该框架利用一3个 算法解决3个间题图片,时自治同意的系统,同时一3个 任务顺序渐进,构成流水线式的系统。本文先介绍中文分词框架每种内容。

命令行

     *

                        final int maxIteration, final int threadNum) throws IOException

     * @return 默认返回accuracy,其他子类很久返回P,R,F1

    public Result train(String trainingFile, String developFile,

            "data/test/pku98/199801.txt",

    PerceptronSegmenter segmenter = new PerceptronSegmenter(Config.CWS_MODEL_FILE);

正常请况下对商品和服务的分词结果为[商品, 和, 服务]。建议在任何语料上训练时都试一试同类简单的得话,当作HelloWorld来测试。若同类例子都错了,则说明语料格式、规模或API调用上处在间题图片,须仔细排查,而暂且急着部署上线。

l 只使用了7种请况特性,未使用词典

另外,数据包中很久打包了在人民日报语料1998年1月份上训练的模型,不传路径时将默认加载配置文件中指定的模型。

        PerceptronTrainer trainer = new CWSTrainer();

     */

单多线程 池时使用AveragedPerceptron算法,收敛较好;多线程 池池时使用StructuredPerceptron,波动较大。关于五种算法的精度比较,请参考下一小节。目前默认多线程 池池,多线程 池数为系统CPU核心数。请根据其他人的需求平衡精度和下行带宽 。

        PerceptronTrainer.Result result = trainer.train(

     */

{

在本系统中,分词器PerceptronSegmenter的职能更加单一,仅仅负责分词,不再负责词性标注或命名实体识别。这是一次接口设计上的新尝试,未来很久在v2.0中大规模采用同类思路去重构。

下行带宽

目前感知机分词是所有“由字构词”的分词器实现中最快的,比其他人写的CRF解码快1倍。新版CRF词法分析器框架复用了感知机的维特比解码算法,其他下行带宽 持平。

     * @param developFile   开发集

}

l 测试环境 Java8 i7-6700K

            Config.CWS_MODEL_FILE

l 对任意PerceptronTagger,用户都都也能调用准确率评估接口:

     * @param corpora 数据集

中文分词

l 测试时需关闭词法分析器的自定义词典、词性标注和命名实体识别

只需指定输入语料的路径(单文档时为文件路径,多文档时为文件夹路径,灵活解决),以及模型保存位置即可:

API

     * @param compressRatio 压缩比

l 总耗时涵盖语料加载与模型序列化

    }

l 压缩比0.0,迭代数80

测试时只需提供分词模型的路径即可:

准确率

    {        

     * @param threadNum     多线程 池数

l 语料未进行任何预解决