Jcseg 2.6.2 发布 - Java轻量级开源自然语言处理包

来源: 投稿
作者: 狮子的魂
2020-02-24

Jcseg是基于mmseg算法的一个轻量级中文分词器,同时集成了关键字提取,关键短语提取,关键句子提取和文章自动摘要等功能,并且提供了一个基于Jetty的web服务器,方便各大语言直接http调用,同时提供了最新版本的lucene,solr和elasticsearch的分词接口!


Jcseg 2.6.2版本主要功能都是为Gitee的搜索设计的,体验可以搓:https://search.gitee.com/?skin=rec&type=repository&q=%E5%88%86%E8%AF%8D

2.6.2版本主要更新内容如下

1,升级到对lucene 8.20,solr 8.2.0和Elasticsearch的7.4.2版本的支持,Gitee搜索目前用的Elasticseach 7.4.2版本。

2,增加solr和elasticsearch索引级别的分词配置,可以不同索引使用不同的分词配置,具体可以参考Gitee搜索资源分享中的mapping:https://gitee.com/oschina/gitee-search-share

3,部分已有词库的优化,拼音,词性,同义词等。

4,二次切分优化,增加中英混合词的的二次切分支持。

5,增加n-gram切分模式,可以自定义n,实现n-gram的切分,例如:”中文分词“ 1-gram会被切分成”中 文 分 词“,此功能在Gitee的搜索提示中用到了。

6,增加英文词条的切分,大部分的分词器对于英文都只是通过空格或者标点来切分,这个版本jcseg增加了对英文的切分,同时也是通过mmseg算法来去除歧义,例如:

英文组合词条:

jcseg~tokenizer:complex>> openarkcompiler
分词结果:
open[0,4]/n ark[4,3]/n compiler[7,8]/n
Done, total:15, tokens:3, in 0.00000sec

例如Gitee搜索”openark“:https://search.gitee.com/?q=openark&skin=rec&type=repository

拼音组合词条:

jcseg~tokenizer:complex>> guanyuwomen
分词结果:
guanyu[0,6]/p women[6,5]/n
Done, total:11, tokens:2, in 0.00105sec

例如:Gitee搜索"中文huancunxitong":https://search.gitee.com/?q=huancunxitong&skin=rec&type=repository

7,增加英文词库和拼音词库,用于支撑上述的英文切分,这个英文也包括拼音的切分,例如:Gitee搜索的拼音和汉语相互搜索:

搜索”fenci“: https://search.gitee.com/?q=fenci&skin=rec&type=repository
搜索”分词“: https://search.gitee.com/?q=%E5%88%86%E8%AF%8D&skin=rec&type=repository
搜索”中文分词“:https://search.gitee.com/?q=%E4%B8%AD%E6%96%87%E5%88%86%E8%AF%8D&skin=rec&type=repository
搜索”中文fenci“:https://search.gitee.com/?q=%E4%B8%AD%E6%96%87fenci&skin=rec&type=repository

8,同义词优化,同义词词库和offset逻辑无缝对接lucene的increasement设计,便于实现同义词的检索和高亮,例如:Gitee搜索的同义词效果如下:

9,更改了Jcseg的API设计,使用函数接口来代替部分的class查找,使用更方便,API变更为如下:

//创建SegmenterConfig分词配置实例,自动查找加载jcseg.properties配置项来初始化
SegmenterConfig config = new SegmenterConfig(true);

//创建默认单例词库实现,并且按照config配置加载词库
ADictionary dic = DictionaryFactory.createSingletonDictionary(config);

//依据给定的ADictionary和SegmenterConfig来创建ISegment
//为了Api往后兼容,建议使用SegmentFactory来创建ISegment对象
ISegment seg = ISegment.COMPLEX.factory.create(config, dic);


//备注:以下代码可以反复调用,seg为非线程安全

//设置要被分词的文本
String str = "研究生命起源。";
seg.reset(new StringReader(str));

//获取分词结果
IWord word = null;
while ( (word = seg.next()) != null ) {
    System.out.println(word.getValue());
}

10,BUG修复:

 

maven仓库(中央仓库同步中...):

<dependency>
    <groupId>org.lionsoul</groupId>
    <artifactId>jcseg-core</artifactId>
    <version>2.6.2</version>
</dependency>

 

下载地址:

Gitee: https://gitee.com/lionsoul/jcseg/tree/v2.6.2-release
Github: https://github.com/lionsoul2014/jcseg/releases/tag/v2.6.2-release

 

展开阅读全文
49 收藏
分享
加载中
精彩评论
效果越来越好,是时候翻译一个 DLang 版本了,哈哈哈
2020-02-27 16:10
2
举报
恭喜, #JPress# 自豪的采用了 Jcseg,并升级到了2.6.2最新版本。
2020-02-26 13:14
2
举报
最新评论 (12)
效果越来越好,是时候翻译一个 DLang 版本了,哈哈哈
2020-02-27 16:10
2
回复
举报
个人觉得D语言设计得挺好的,有一段时间学习过,没坚持下来
2020-02-27 19:16
0
回复
举报
以前D语言没有服务端生态,导致语言设计好也无用武之地,现在很多生态都起来了也应该追追分词之类的细节了👍🏻
2020-02-27 21:17
0
回复
举报
做了好几个中文的搜索都是用它,支持大佬!
2020-02-27 11:09
0
回复
举报
感谢,随喜
2020-02-27 19:17
0
回复
举报
您好,请问你的查ip的库是自己研发的数据库格式吗?
2020-02-26 17:04
0
回复
举报
是的,15年公司需要,花了些时间设计的,具体的存储格式可以参考我一个同事的博客:http://dongyado.com/tool/2016/08/18/structure-of-ip2region-database-file/ (还有一种速度可以更快的存储格式,会在后续加上)
2020-02-26 19:30
0
回复
举报
和friso比哪个更快呢(左右互博)
2020-02-26 15:05
0
回复
举报
实话,我真没测试过,应该是c语言的快
2020-02-26 16:34
0
回复
举报
恭喜, #JPress# 自豪的采用了 Jcseg,并升级到了2.6.2最新版本。
2020-02-26 13:14
2
回复
举报
随喜
2020-02-26 16:33
0
回复
举报
膜拜大佬
2020-02-25 01:36
0
回复
举报
更多评论
15 评论
49 收藏
分享
返回顶部
顶部