friso官方网站下载及官方信息
官方网站:https://code.google.com/p/friso/
最新动态:friso-1.6.0发布了(2014.05.08 最新版本)
开源,简单易用,很适合分词技术的研究。
一。friso中文分词器
Friso是使用c语言开发的一款高性能中文分词器,使用流行的mmseg算法实现。完全基于模块化设计和实现,可以很方便的植入到其他程序中,例如:MySQL,PHP等。同时支持对UTF-8/GBK编码的切分。
sam:关于mmsseg的理解见:http://blog.csdn.net/hzhsan/article/details/25270519
【源码无需修改就能在各种平台下编译使用,加载完20万的词条,内存占用稳定为14.5M。】
1。目前最高版本:friso 1.6.0,同时支持对UTF-8/GBK编码的切分。
2。mmseg四种过滤算法,分词准确率达到了98.41%,请参考本算法的原作:http://technology.chtsai.org/mmseg/。
3。支持自定义词库。在dict文件夹下,可以随便添加/删除/更改词库和词库词条,并且对词库进行了分类。
4。简体/繁体/简体混合支持, 可以方便的针对简体,繁体或者简繁体切分。同时还可以以此实现简繁体的相互检索。
5。支持中英/英中混合词的识别(维护词库可以识别任何一种组合)。例如:卡拉ok, 漂亮mm, c语言,IC卡,哆啦a梦。
7。很好的英文支持,英文标点组合词识别, 例如c++, c#, 电子邮件,网址,小数,百分数。
8。(!New)自定义保留标点:你可以自定义保留在切分结果中的标点,这样可以识别出一些复杂的组合,例如:c++, k&r,code.google.com。
9。(!New)复杂英文切分的二次切分:默认Friso会保留数字和字母的原组合,开启此功能,可以进行二次切分提高检索的命中率。例如:qq2013会被切分成:qq/ 2013/ qq2013。
10。支持阿拉伯数字/小数基本单字单位的识别,例如2012年,1.75米,5吨,120斤,38.6℃。
11。自动英文圆角/半角,大写/小写转换。
12。同义词匹配:自动中文/英文同义词追加. (需要在friso.ini中开启friso.add_syn选项)。
13。自动中英文停止词过滤。(需要在friso.ini中开启friso.clr_stw选项)。
14。多配置支持, 安全的应用于多进程/多线程环境。
15。提供friso.ini配置文件, 可以依据你的需求轻松打造适合于你的应用的分词。
二。分词速度
测试环境:2.8GHZ/2G/Ubuntu
简单模式:3.8M/秒
复杂模式:1.8M/秒
三。分词测试:
1.文本1:
歧义和同义词:研究生命起源,混合词: 做B超检查身体,x射线本质是什么,今天去奇都ktv唱卡拉ok去,哆啦a梦是一个动漫中的主角,单位和全角: 2009年8月6日开始大学之旅,岳阳今天的气温为38.6℃, 也就是101.48℉, 英文数字: bug report [email protected] or visit http://code.google.com/p/jcseg, we all admire the hacker spirit!特殊数字: ① ⑩ ⑽ ㈩.
friso分词结果:
歧义 和 同义词 : 研究 琢磨 研讨 钻研 生命 起源 , 混合词 : 做 b超 检查 身体 , x射线 本质 是 什么 , 今天 去 奇都ktv 唱 卡拉ok 去 , 哆啦a梦 是 一个 动漫 中 的 主角 , 单位 和 全角 : 2009年 8月 6日 开始 大学 之旅 , 岳阳 今天 的 气温 为 38.6℃ , 也就是 101.48℉ , 英文 英语 数字 : bug report chenxin 619315 gmail com [email protected] or visit http : / / code google com code.google.com / p / jcseg , we all admire appreciate like love enjoy the hacker spirit mind ! 特殊 数字 : ① ⑩ ⑽ ㈩ .
2.文本2:
叔叔亲了我妈妈也亲了我
friso分词结果:
叔叔 亲了 我 妈妈 也 亲了 我
四。使用方法
详情,请参考附件中的Friso开发帮助文档。
1.分词接口样板:
具体请参考源码中的tst-friso.c文件:
friso_t friso; friso_config_t config; friso_task_t task; //1.实例化一个friso分词实例。 friso = friso_new(); //2.创建一个friso分词配置。 config = friso_new_config(); //3. 依据给定的friso.ini中快捷初始化friso。 if ( friso_init_from_ifile(friso, config, __path__) != 1 ) { printf("fail to initialize friso and config."); goto err; } //4.创建一个分词任务: task = friso_new_task(); //3.设置分词任务的分词文本: friso_set_text( task, "要被分词的文本"); //4.分词主程序: while ( ( friso_next( friso, config, task ) ) != NULL ) { //printf("%s[%d,%d]/ ", task->hits->word, task->hits->type, task->hits->offset ); printf("%s/ ", task->hits->word ); } //5.释放相关资源: friso_free_task( task ); err: friso_free_config(config); friso_free(friso);
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。