IKAnalyzer3.0特性:
采取了特有的“正向迭代最细粒度切分算法“,具有60万字/秒的高速处理能力。
采取了多子处理器剖析模式,支持:英笔墨母(IP地址、Email、URL)、数字(日期,常用中文数量词,罗马数字,科学计数法),中文词汇(姓名、地名处理)平分词处理。
优化的词典存储,更小的内存占用。支持用户词典扩展定义
针对Lucene全文检索优化的查询剖析器IKQueryParser(作者吐血推举);采取歧义剖析算法优化查询关键字的搜索排列组合,能极大的提高Lucene检索的命中率。
授权协议:LGPL
开拓措辞:Java
操作系统:跨平台
收录韶光:2008年12月03日 (国产软件)
下载:http://www.oschina.net/p/ikanalyzer 或 http://code.google.com/p/ik-analyzer/
2、盘古分词盘古分词是一个基于 .net framework 的中英文分词组件,供应lucene(.net 版本) 和HubbleDotNet的接口。
高效:Core Duo 1.8 GHz 下单线程 分词速率为 390K 字符每秒
准确:盘古分词采用字典和统计结合的分词算法,分词准确率较高。
功能:盘古分词供应中文人名识别,简繁稠浊分词,多元分词,英文词根化,逼迫一元分词,词频优先分词,停用词过滤,英文专名提取等一系列功能。
授权协议:Apache
开拓措辞:C#.NET
操作系统:Windows
收录韶光:2010年12月29日
下载:http://www.oschina.net/p/pangu 或:http://pangusegment.codeplex.com/
3、Paoding伙头中文分词库是一个利用Java开拓的,可结合到Lucene运用中的,为互联网、企业内部网利用的中文搜索引擎分词组件。Paoding补充了海内里文分词方面开源组件的空缺,致力于此并希翼成为互联网网站首选的中文分词开源组件。 Paoding中文分词追求分词的高效率和用户良好体验。
Paoding's Knives 中文分词具有极高效率和高扩展性。引入隐喻,采取完备的面向工具设计,构思前辈。
高效率:在PIII 1G内存个人机器上,1秒可准确分词100万汉字。
采取基于不限定个数的词典文件对文章进行有效切分,使能够将对词汇分类定义。
能够对未知的词汇进行合理解析
授权协议:Apache
开拓措辞:Java
操作系统:跨平台
收录韶光:2008年09月07日 (国产软件)
下载:http://www.oschina.net/p/paoding 或http://code.google.com/p/paoding/
4、FreeICTCLAS中科院ICTCLAS最新free开放源代码,里面有中文分词算法,大家一起共同学习和研究,对搜索引擎中文分词方面有很大用途哦
授权协议:未知
开拓措辞:C/C++
操作系统:Windows
收录韶光:2010年10月20日 (国产软件)
下载:http://www.oschina.net/p/freeictclas
5、LibMMSegLibMMSeg 是Coreseek.com为Sphinx全文搜索引擎设计的中文分词软件包,其在GPL协议下发行的中文分词法,采取Chih-Hao Tsai的MMSEG算法。
您可以在Chih-Hao Tsai's Technology Page找到算法的原文。
LibMMSeg 采取C++开拓,同时支持Linux平台和Windows平台,切分速率大约在300K/s(PM-1.2G),截至当前版本(0.7.1)LibMMSeg没有为速率仔细优化过,进一步的提升切分速率应仍有空间。
授权协议:未知
开拓措辞:C/C++
操作系统:跨平台
收录韶光:2009年05月31日 (国产软件)
下载 : MMSeg 0.7.3
6、PHPCWSPHPCWS 是一款开源的PHP中文分词扩展,目前仅支持Linux/Unix系统,该项目现在已改名为HTTPCWS,此项目不再连续掩护。
PHPCWS 先利用“ICTCLAS 3.0 共享版中文分词算法”的API进行初次分词处理,再利用自行编写的“逆向最大匹配算法”对分词和进行词语合并处理,并增加标点符号过滤功能,得出分词结果。
ICTCLAS(Institute of Computing Technology, Chinese Lexical Analysis System)是中国科学院打算技能研究所在多年研究事情积累的根本上,基于多层隐马模型研制出的汉语词法剖析系统,紧张功能包括中文分词;词性标注;命 名实体识别;新词识别;同时支持用户词典。ICTCLAS经由五年精心打造,内核升级6次,目前已经升级到了ICTCLAS3.0,分词精度 98.45%,各种词典数据压缩后不到3M。ICTCLAS在海内973专家组组织的评测中活动得到了第一名,在第一届国际中文处理研究机构SigHan 组织的评测中都得到了多项第一名,是当前世界上最好的汉语词法剖析器。
授权协议:BSD
开拓措辞:PHP
操作系统:跨平台
收录韶光:2009年03月19日 (国产软件)
下载:http://www.oschina.net/p/phpcws
7、HTTPCWSHTTPCWS是一款Linux下的基于HTTP协议的开源中文分词系统,采取BSD协议。
这个分词系统是对中国科学院打算技能研究所免费供应的ICTCLAS 3.0共享版分词后的结果,再采取逆向最大匹配算法,根据作者自己补充的一个9万条词语的自定义词库,对ICTCLAS分词结果进行合并处理,输出终极分词结果。目前只支持GBK编码。
经由测试,局域网内 HTTPCWS 接口中文分词均匀处理速率(Wait韶光):0.001秒,每秒可处理5000~20000次要求。
授权协议:BSD
开拓措辞:C/C++
操作系统:Linux
收录韶光:2009年08月11日 (国产软件)
下载:http://www.oschina.net/p/httpcws
8、imdict-chinese-analyzerimdict-chinese-analyzer 是imdict智能词典的智能中文分词模块,算法基于隐马尔科夫模型(Hidden Markov Model, HMM),是中国科学院打算技能研究所的ictclas中 文分词程序的重新实现(基于Java),可以直接为lucene搜索引擎供应简体中文分词支持。
授权协议:Apache
开拓措辞:Java
操作系统:跨平台
收录韶光:2010年03月02日 (国产软件)
下载:http://www.oschina.net/p/imdict-chinese-analyzer
9、mmseg4jmmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/)实现的中文分词器,并实现 lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中利用。
MMSeg 算法有两种分词方法:Simple和Complex,都是基于正向最大匹配。Complex 加了四个规则过虑。官方说:词语的精确识别率达到了 98.41%。mmseg4j 已经实现了这两种分词算法。
授权协议:Apache
开拓措辞:Java
操作系统:跨平台
收录韶光:2009年09月26日 (国产软件)
下载:http://www.oschina.net/p/mmseg4j
10、smallsegsmallseg -- 开源的,基于DFA的轻量级的中文分词工具包
特点:可自定义词典、切割后返回登录词列表和未登录词列表、有一定的新词识别能力。
授权协议:未知
开拓措辞:Java Python
操作系统:跨平台
收录韶光:2009年10月15日 (国产软件)
下载:http://www.oschina.net/p/smallseg
11、CRF中文分词是互联网运用不可短缺的根本技能之一,也是其他语音和措辞产品必不可少的技能组件。
自2003年第一届国际中文分词评测以来,由字构词的分词方法得到了压倒性上风,海内紧张通过CRF++开源软件包来学习该分词方法,但是CRF++过于繁芜的代码构造,导致了该算法的遍及率。
CRF中文分词开源版仅仅包含CRF++软件包等分词解码器部分,简化了CRF++繁芜代码构造,打消了分词解码器不须要的代码,大大提高了分词解码器的可读性和可懂度。同时为了方便学习者可视化跟踪和调试代码,在Windows平台下分别建立了VC6.0和VS2008两个工程文件,使得VC6.0用户和VS2008用户都能轻玩转中文分词。
授权协议:未知
开拓措辞:C/C++
操作系统:Windows
收录韶光:2010年08月26日 (国产软件)
下载:http://www.oschina.net/p/crf
12、SCWSSCWS 是 Simple Chinese Words Segmentation 的缩写,即大略单纯中文分词系统。
这是一套基于词频词典的机器中文分词引擎,它能将一整段的汉字基本精确的切分成词。词是汉语的基本语素单位,而书写的时候不像英语会在词之间用空格分开, 以是如何准确而又快速的分词一贯是中文分词的攻关难点。
SCWS 在观点上并无创新身分,采取的是自行采集的词频词典,并辅以一定程度上的专有名称、人名、地名、数字年代等规则集,经小范围测试大概准确率在 90% ~ 95% 之间,已能基本知足一些中小型搜索引擎、关键字提取等场合利用。 SCWS 采取纯 C 代码开拓,以 Unix-Like OS 为紧张平台环境,供应共享函数库,方便植入各种现有软件系统。此外它支持 GBK,UTF-8,BIG5 等汉字编码,切词效率高。
授权协议:未知
开拓措辞:PHP
操作系统:跨平台
收录韶光:2010年05月23日 (国产软件)
下载:http://www.oschina.net/p/scws
13、FudanNLPFudanNLP紧张是为中文自然措辞处理而开拓的工具包,也包含为实现这些任务的机器学习算法和数据集。
授权协议:LGPL
开拓措辞:Java
操作系统:跨平台
收录韶光:2010年07月19日 (国产软件)
下载:http://www.oschina.net/p/fudannlp
14、ictclas4jictclas4j中文分词系统是sinboy在中科院张华平和刘群老师的研制的FreeICTCLAS的根本上完成的一个java开源分词项目,简化了原分词程序的繁芜度,旨在为广大的中文分词爱好者一个更好的学习机会。
授权协议:Apache
开拓措辞:Java
操作系统:跨平台
收录韶光:2010年10月20日 (国产软件)
下载: http://www.oschina.net/p/ictclas4j