4 款開源的中文分詞系統

2010/06/30

中文分詞是做好中文內容檢索、文本分析的基礎，主要應用於搜索引擎與數據挖掘領域。中文是以詞為基本語素單位，而詞與詞之間並不像英語一樣有空格來分隔，因而中文分詞的難點在於如何準確而又快速地進行分詞。以下介紹4款開源中文分詞系統。

1、ICTCLAS – 全球最受歡迎的漢語分詞系統

中文詞法分析是中文信息處理的基礎與關鍵。中國科學院計算技術研究所在多年研究工作積累的基礎上，研製出了漢語詞法分析系統ICTCLAS(Institute of Computing Technology, Chinese Lexical Analysis System)，主要功能包括中文分詞；詞性標註；命名實體識別；新詞識別；同時支持用戶詞典；支持繁體中文；支持GBK、UTF-8、UTF-7、UNICODE等多種編碼格式。我們先後精心打造五年，內核升級6次，目前已經升級到了ICTCLAS3.0。ICTCLAS3.0分詞速度單機996KB/s，分詞精度98.45%，API不超過200KB，各種詞典數據壓縮後不到3M，是當前世界上最好的漢語詞法分析器。

系統平台：Windows

開發語言：C/C++、Java、C#

使用方式：dll調用

演示網址：http://ictclas.org/test.html

開源官網：http://ictclas.org

晴楓附註：ICTCLAS有共享版、商業版、行業版，支持Linux平台，但不開源。ICTCLAS已進入商用，且應用範圍較廣，相信分詞效率出色。

2、HTTPCWS – 基於HTTP協議的開源中文分詞系統

HTTPCWS 是一款基於HTTP協議的開源中文分詞系統，目前僅支持Linux系統。HTTPCWS 使用“ICTCLAS 3.0 2009共享版中文分詞算法”的API進行分詞處理，得出分詞結果。

ICTCLAS是中國科學院計算技術研究所在多年研究工作積累的基礎上，基於多層隱馬模型研製出的漢語詞法分析系統，主要功能包括中文分詞；詞性標註；命名實體識別；新詞識別；同時支持用戶詞典。ICTCLAS經過五年精心打造，內核升級6次，目前已經升級到了ICTCLAS3.0，分詞精度98.45%，各種詞典數據壓縮後不到3M。ICTCLAS在國內973專家組組織的評測中活動獲得了第一名，在第一屆國際中文處理研究機構SigHan組織的評測中都獲得了多項第一名，是當前世界上最好的漢語詞法分析器。

ICTCLAS 3.0 商業版是收費的，而免費提供的 ICTCLAS 3.0 共享版不開源，詞庫是根據人民日報一個月的語料得出的，很多詞語不存在。所以本人補充的一個19萬條詞語的自定義詞庫，對ICTCLAS分詞結果進行合併處理，輸出最終分詞結果。

由於 ICTCLAS 3.0 2009 共享版只支持GBK編碼，因此，如果是UTF-8編碼的字符串，可以先用iconv函數轉換成GBK編碼，再用httpcws進行分詞處理，最後轉換回UTF-8編碼。

HTTPCWS 軟件自身（包括httpcws.cpp源文件、dict/httpcws_dict.txt自定義詞庫）採用NewBSD開源協議，可以自由修改。HTTPCWS 使用的 ICTCLAS 共享版 API 及 dict/Data/ 目錄內的語料庫，版權及著作權歸中國科學院計算技術研究所、ictclas.org所有，使用需遵循其相關協議。

系統平台：Linux

開發語言：C++

使用方式：HTTP服務

演示網址：http://blog.s135.com/demo/httpcws/

開源官網：http://blog.s135.com/httpcws_v100/

晴楓附註：基於ICTCLAS，增加了19萬條詞語的擴展詞庫，並且構建成HTTP服務的方式，使用上更加便捷。

3、SCWS – 簡易中文分詞系統

SCWS 在概念上並無創新成分，採用的是自行採集的詞頻詞典，並輔以一定程度上的專有名稱、人名、地名、數字年代等規則集，經小範圍測試大概準確率在 90% ~ 95% 之間，已能基本滿足一些中小型搜索引擎、關鍵字提取等場合運用。 SCWS 採用純 C 代碼開發，以 Unix-Like OS 為主要平台環境，提供共享函數庫，方便植入各種現有軟件系統。此外它支持 GBK，UTF-8，BIG5 等漢字編碼，切詞效率高。

系統平台：Windows/Unix

開發語言：C

使用方式：PHP擴展

演示網址：http://www.ftphp.com/scws/demo.php

開源官網：http://www.ftphp.com/scws/

晴楓附註：作為PHP擴展，容易與現有的基於PHP架構的Web系統繼續集成，是其一大優勢。

4、PhpanAlysis - PHP無組件分詞系統

PhpanAlysis分詞系統是基於字符串匹配的分詞方法，這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。按照掃瞄方向的不同，串匹配分詞方法可以分為正向匹配和逆向匹配；按照不同長度優先匹配的情況，可以分為最大（最長）匹配和最小（最短）匹配；按照是否與詞性標註過程相結合，又可以分為單純分詞方法和分詞與標註相結合的一體化方法。

系統平台：PHP環境

開發語言：PHP

使用方式：HTTP服務

演示網址：http://www.itgrass.com/phpanalysis/

開源官網：http://www.itgrass.com/phpanalysis/

晴楓附註：實現簡單，容易使用，能做一些簡單應用，但大數據量的計算效率不如前幾種。

試用了幾個系統，基本分詞功能都沒什麼問題，只是在個別一些詞的劃分上存在一些差異；對於詞性的確定，系統間有所不同。