pkuseg 多领域中文分词工具

 

1. 主要技术

 

pkuseg-python 主要基于经典的 CRF 模型，辅以 ADF训练方法(Sun, et al., 2012)和精调的特征，实现更快的训练速度、更高的测试效果和更好的泛化能力：

[1] - 在CRF模型中，特征选取对分词结果和分词性能有着不小的影响，获得一套效果好、泛化能力较强、分词速度适中的特征往往需要耗费大量时间. 该开源代码中包含了这样一套精调的特征，在领域内的训练和测试表明，pkuseg 使用的特征可以有效提升不同语料的测试集上的效果. 
[2] - ADF训练方法则可以加快训练速度和收敛效果，为DIY用户、希望自己训练模型的用户提供较好的训练体验

2. 主要亮点

[1] - 多领域分词

不同于以往的通用中文分词工具，此工具包同时致力于为不同领域的数据提供个性化的预训练模型. 根据待分词文本的领域特点，用户可以自由地选择不同的模型.

目前支持了新闻领域，网络领域，医药领域，旅游领域，以及混合领域的分词预训练模型. 在使用中，如果用户明确待分词的领域，可加载对应的模型进行分词. 如果用户无法确定具体领域，推荐使用在混合领域上训练的通用模型.

各领域分词样例如:

# 医药领域分词示例： 医生 工具 通常 包括 病历 管理 、 药品 信息 查询 、 临床 指南 、 前沿 的 医学 资讯 . 医联 平台 ： 包括 挂号 预约 查看 院内 信息 化验单 等 ， 目前 出现 与 微信 、 支付宝 结合的 趋势 . 甲状腺功能减退症 简称 甲减 ， 是 甲状腺 制造 的 甲状腺激素 过少 而 引发 的疾病 . # 旅游领域分词示例： 在 这里 可以 俯瞰 维多利亚港 的 香港岛 ， 九龙 半岛 两岸 ， 美景 无敌 . 以往 去 香港 都 是 去 旺角 尖沙咀 中环 等等 闹市 地区 . 初 至 重庆 ， 我 就 来到 了 洪崖洞 ， 在 这里 ， 旧时 城墙 、 吊脚楼 仿 若 镶嵌 在 现代 钢筋 水泥 城市 间 的 一 枚 朴玉 . 首都 机场 提供 了 手机 值机 、 自助 值机 、 自助 行李 托运 、 自助 通关 等 多种 便捷 举措 . # 网络领域分词示例： 视频 中 ， 胡可 负责 录制 ， 沙溢 则 带 着 安吉 和 小鱼儿 坐在 沙发 上 唱 着 《 学猫 叫 》 ， 小鱼儿 还 争 着 要 坐在 C位 ， 一家人 其乐融融 【 这是 我 的 世界 ， 你 还 未 见 过 】 欢迎 来 参加 我 的 演唱会 听点 音乐 被 全家 套路 的 小鱼儿 也 太 可怜 了 ： 我 要求 C位 ！ ！ 我 不要 唱 “ 喵喵喵 ” 结果 七 秒 记忆 又 继续 唱 了 起来 哈哈 哈哈 哈哈 哈哈 # 新闻领域分词示例： 乌克兰 一直 想 加入 北约 ， 并 不断 的 按照 西方 国家 的 要求 “ 改造 ” 自己 ， 据 乌克兰 之 声 2月20日 报道 称 ， 乌克兰 政府 正式 通过 最新 《 宪法 修正案 》 ， 正式 确定 乌克兰 将 加入 北约 作为 重要 国家 方针 ， 该 法 强调 ， " 这项 法律 将 于 发布 次日 起 生效 " . 美国广播公司 网站 2月20日 报道 称 ， 特朗普 19日 在 推特 上 写 道 ： “ 正如 我 预测 的 那样 ， 主要 由 开放 边界 的 民主党 人和 激进 左派 主导 的 16个 州 已经 在 第九巡回法院 提起 诉讼 . ” 他 不 忘 讽刺 加州 ： “ 加州 已 在 失控 的 高铁 项目 上 浪费 了 数十亿美元 ， 完全 没有 完成 的 希望 .

 

[2] - 更高的分词准确率

相比于其他的分词工具包，当使用相同的训练数据和测试数据，pkuseg可以取得更高的分词准确率.

[3] - 支持用户自训练模型

支持用户使用全新的标注数据进行训练.

[4] - 支持词性标注

 

3. 编译安装

• 目前仅支持python3
• 新版本发布：2019-1-23
  • 修改了词典处理方法，扩充了词典，分词效果有提升
  • 效率进行了优化，测试速度较之前版本提升9倍左右
  • 增加了在大规模混合数据集训练的通用模型，并将其设为默认使用模型
• 新版本发布：2019-1-30
  • 支持fine-tune训练（从预加载的模型继续训练），支持设定训练轮数
• 新版本发布：2019-2-20
  • 支持词性标注，增加了医疗、旅游细领域模型
• 为了获得好的效果和速度，强烈建议大家通过pip install更新到目前的最新版本

1、通过PyPI安装(自带模型文件)：

　　pip3 install pkuseg

　　之后通过import pkuseg来引用

　　建议更新到最新版本以获得更好的开箱体验

　　　　pip3 install -U pkuseg

2、如果PyPI官方源下载速度不理想，建议使用镜像源，比如：
　　初次安装

　　pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple pkuseg

　　更新

　　pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U pkuseg

注意：安装方式一和二目前仅支持linux，mac，windows 64 位的python3.5，python 3.6，python 3.7版本。

 

3、如果不使用pip安装方式，选择从GitHub下载，可运行以下命令安装

　　python setup.py build_ext -i

GitHub的代码并不包括预训练模型，因此需要用户自行下载或训练模型，预训练模型可详见release。使用时需设定"model_name"为模型文件。

4. 各分词工具包性能对比

我们选择jieba、THULAC等国内代表分词工具包与pkuseg做性能比较。

考虑到jieba分词和THULAC工具包等并没有提供细领域的预训练模型，为了便于比较，我们重新使用它们提供的训练接口在细领域的数据集上进行训练，用训练得到的模型进行中文分词。

我们选择Linux作为测试环境，在新闻数据(MSRA)、混合型文本(CTB8)、网络文本(WEIBO)数据上对不同工具包进行了准确率测试。我们使用了第二届国际汉语分词评测比赛提供的分词评价脚本。其中MSRA与WEIBO使用标准训练集测试集划分，CTB8采用随机划分。对于不同的分词工具包，训练测试数据的划分都是一致的；即所有的分词工具包都在相同的训练集上训练，在相同的测试集上测试。对于所有数据集，pkuseg使用了不使用词典的训练和测试接口。以下是pkuseg训练和测试代码示例:

pkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models')

pkuseg.test('msr_test.raw', 'output.txt', user_dict=None)

细领域训练及测试结果

考虑到很多用户在尝试分词工具的时候，大多数时候会使用工具包自带模型测试.

为了直接对比“初始”性能, 比较了各个工具包的默认模型在不同领域的测试效果. 请注意，这样的比较只是为了说明默认情况下的效果，并不一定是公平的.

Default	MSRA	CTB8	PKU	WEIBO	All Average
jieba	81.45	79.58	81.83	83.56	81.61
THULAC	85.55	87.84	92.29	86.65	88.08
pkuseg	87.29	91.77	92.68	93.43	91.29

其中，All Average显示的是在所有测试集上F-score的平均.

 

4.2. 细领域训练及测试结果

以下是在不同数据集上的对比结果：

MSRA	Precision	Recall	F-score
jieba	87.01	89.88	88.42
THULAC	95.60	95.91	95.71
pkuseg	96.94	96.81	96.88

WEIBO	Precision	Recall	F-score
jieba	87.79	87.54	87.66
THULAC	93.40	92.40	92.87
pkuseg	93.78	94.65	94.21

 

5. 使用说明

代码示例仅适用于python3

5.1. 默认分词（推荐）

import pkuseg

seg = pkuseg.pkuseg()# 以默认配置加载模型

text = seg.cut('我爱北京天安门')# 进行分词

print(text)

5.2. 细领域分词

在使用中，如果用户明确待分词的领域，可加载对应的模型进行分词. 如果用户无法确定具体领域，推荐使用在混合领域上训练的通用模型.

import pkuseg

seg = pkuseg.pkuseg(model_name='medicine') # 会自动下载所对应的细领域模型

text = seg.cut('我爱北京天安门') # 进行分词

print(text)

5.3. 分词同时进行词性标注，各词性标签的详细含义可参考 tags.txt

import pkuseg

seg = pkuseg.pkuseg(postag=True)  # 开启词性标注功能

text = seg.cut('我爱北京天安门')    # 进行分词和词性标注

print(text)

5.4.对文件分词

import pkuseg

 

# 对input.txt的文件分词输出到output.txt中

# 开20个进程

pkuseg.test('input.txt', 'output.txt', nthread=20)

5.5.训练新模型 （模型随机初始化）. 额外使用用户自定义词典

import pkuseg

seg = pkuseg.pkuseg(user_dict='my_dict.txt')  # 给定用户词典为当前目录下的"my_dict.txt"

text = seg.cut('我爱北京天安门')                # 进行分词

print(text)

5.6. 额外使用用户自定义词典

import pkuseg

seg = pkuseg.pkuseg(model_name='./ctb8')  # 假设用户已经下载好了ctb8的模型并放在了'./ctb8'目录下，通过设置model_name加载该模型

text = seg.cut('我爱北京天安门')            # 进行分词

print(text)

5.7：训练新模型 （模型随机初始化）

import pkuseg

 

# 训练文件为'train.txt'

# 测试文件为'test.txt'

# 加载'./pretrained'目录下的模型，训练好的模型保存在'./models'，训练10轮

pkuseg.train('train.txt', 'test.txt', './models', train_iter=10, init_model='./pretrained')

 

参数说明

模型配置

 

pkuseg.pkuseg(model_name = "default", user_dict = "default", postag = False)

    model_name      模型路径。

                    "default"，默认参数，表示使用我们预训练好的混合领域模型(仅对pip下载的用户)。

                "news", 使用新闻领域模型。

                "web", 使用网络领域模型。

                "medicine", 使用医药领域模型。

                "tourism", 使用旅游领域模型。

                    model_path, 从用户指定路径加载模型。

    user_dict       设置用户词典。

                "default", 默认参数，使用我们提供的词典。

                None, 不使用词典。

                dict_path, 在使用默认词典的同时会额外使用用户自定义词典，可以填自己的用户词典的路径，词典格式为一行一个词。

    postag              是否进行词性分析。

                False, 默认参数，只进行分词，不进行词性标注。

                True, 会在分词的同时进行词性标注。

 

对文件进行分词

 

pkuseg.test(readFile, outputFile, model_name = "default", user_dict = "default", postag = False, nthread = 10)

    readFile        输入文件路径。

    outputFile      输出文件路径。

    model_name      模型路径。同pkuseg.pkuseg

    user_dict       设置用户词典。同pkuseg.pkuseg

    postag          设置是否开启词性分析功能。同pkuseg.pkuseg

    nthread         测试时开的进程数。

 

模型训练

pkuseg.train(trainFile, testFile, savedir, train_iter = 20, init_model = None)

    trainFile       训练文件路径。

    testFile        测试文件路径。

    savedir         训练模型的保存路径。

    train_iter      训练轮数。

    init_model      初始化模型，默认为None表示使用默认初始化，用户可以填自己想要初始化的模型的路径如init_model='./models/'。

 

多进程分词

 

当将以上代码示例置于文件中运行时，如涉及多进程功能，请务必使用if __name__ == '__main__'保护全局语句，如：
mp.py文件

1 2 3 4 5

import pkuseg   if __name__ == '__main__':     pkuseg.test('input.txt', 'output.txt', nthread=20)     pkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models', nthread=20)

 

运行 

python3 mp.py

详见无法使用多进程分词和训练功能，提示RuntimeError和BrokenPipeError。

在Windows平台上，请当文件足够大时再使用多进程分词功能，详见关于多进程速度问题。

预训练模型

从pip安装的用户在使用细领域分词功能时，只需要设置model_name字段为对应的领域即可，会自动下载对应的细领域模型。

从github下载的用户则需要自己下载对应的预训练模型，并设置model_name字段为预训练模型路径。预训练模型可以在release部分下载。以下是对预训练模型的说明：

• news: 在MSRA（新闻语料）上训练的模型。

• web: 在微博（网络文本语料）上训练的模型。

• medicine: 在医药领域上训练的模型。

• tourism: 在旅游领域上训练的模型。

• mixed: 混合数据集训练的通用模型。随pip包附带的是此模型。

欢迎更多用户可以分享自己训练好的细分领域模型

 

版本历史

• v0.0.11(2019-01-09)
  • 修订默认配置：CTB8作为默认模型，不使用词典
• v0.0.14(2019-01-23)
  • 修改了词典处理方法，扩充了词典，分词效果有提升
  • 效率进行了优化，测试速度较之前版本提升9倍左右
  • 增加了在大规模混合数据集训练的通用模型，并将其设为默认使用模型
• v0.0.15(2019-01-30)
  • 支持fine-tune训练（从预加载的模型继续训练），支持设定训练轮数
• v0.0.18(2019-02-20)
  • 支持词性标注，增加了医疗、旅游两个细领域模型

开源协议

1. 本代码采用MIT许可证。
2. 欢迎对该工具包提出任何宝贵意见和建议，请发邮件至jingjingxu@pku.edu.cn。