hanlp和jieba等六大中文分工具的测试对比

 

 

 

 

 

本篇文章测试的哈工大LTP、中科院计算所NLPIR、清华大学THULAC和jieba、FoolNLTK、HanLP这六大中文分词工具是由  水...琥珀完成的。相关测试的文章之前也看到过一些，但本篇阐述的可以说是比较详细的了。这里就分享一下给各位朋友！

 

安装调用

 

jieba“结巴”中文分词：做最好的 Python 中文分词组件

 

THULAC清华大学：一个高效的中文词法分析工具包

 

FoolNLTK可能不是最快的开源中文分词，但很可能是最准的开源中文分词

 

教程：FoolNLTK 及 HanLP使用

 

HanLP最高分词速度2,000万字/秒

 

**中科院 Ictclas 分词系统 - NLPIR汉语分词系统

 

哈工大 LTP

 

LTP安装教程[python 哈工大NTP分词安装pyltp 及配置模型（新）]

 

如下是测试代码及结果

 

 

 

 

 

下面测试的文本上是极易分词错误的文本，分词的效果在很大程度上就可以提现分词器的分词情况。接下来验证一下，分词器的宣传语是否得当吧。

 

 

 

 

 

 

 

jieba 中文分词

 

 

 

 

 

 

 

thulac 中文分词

 

 

 

 

 

fool 中文分词

 

 

 

 

 

HanLP 中文分词

 

 

 

 

 

中科院分词 nlpir

 

 

 

 

 

哈工大ltp 分词

 

 

 

 

 

以上可以看出分词的时间，为了方便比较进行如下操作：

 

 

 

分词效果对比

 

 

 

 

 

 

 

 

 

 

 

结果为：

 

 

 

 

 

 

 

 

 

 

 

 

 

总结：

 

1.时间上（不包括加载包的时间），对于相同的文本测试两次，四个分词器时间分别为：

 

jieba:      0.016992330551147461.8318662643432617

 

thulac ：         10.118737936019897    8.155954599380493

 

fool：      2.227612018585205       2.892209053039551      

 

HanLP： 3.6987085342407227    1.443108320236206

 

中科院nlpir：0.002994060516357422

 

哈工大ltp_ ：0.09294390678405762

 

可以看出平均耗时最短的是中科院nlpir分词，最长的是thulac，时间的差异还是比较大的。

 

2.分词准确率上，通过分词效果操作可以看出

 

第一句：结婚的和尚未结婚的确实在干扰分词啊

 

四个分词器都表现良好，唯一不同的是fool将“干扰分词”合为一个词

 

第二句：汽水不如果汁好喝，重点在“不如果”，“”不如“”和“”如果“”在中文中都可以成词，但是在这个句子里是不如与果汁正确分词

 

jieba  thulac fool HanLP

 

jieba、 fool 、HanLP正确  thulac错误

 

第三句：小白痴痴地在门前等小黑回来，体现在人名的合理分词上

 

正确是：

 

小白/ 痴痴地/ 在/ 门前/ 等/ 小黑/ 回来

 

jieba、 fool 、HanLP正确，thulac在两处分词错误：小白_np 痴痴_a 地_u 在_p 门前_s 等_u 小_a 黑回_n 来_f

 

第四句：是有关司法领域文本分词

 

发现HanLP的分词粒度比较大，fool分词粒度较小，导致fool分词在上有较大的误差。在人名识别上没有太大的差异，在组织机构名上分词，分词的颗粒度有一些差异，Hanlp在机构名的分词上略胜一筹。

 

六种分词器使用建议：

 

对命名实体识别要求较高的可以选择HanLP，根据说明其训练的语料比较多，载入了很多实体库，通过测试在实体边界的识别上有一定的优势。

 

中科院的分词，是学术界比较权威的，对比来看哈工大的分词器也具有比较高的优势。同时这两款分词器的安装虽然不难，但比较jieba的安装显得繁琐一点，代码迁移性会相对弱一点。哈工大分词器pyltp安装配置模型教程

 

结巴因为其安装简单，有三种模式和其他功能，支持语言广泛，流行度比较高，且在操作文件上有比较好的方法好用python -m jieba news.txt > cut_result.txt

 

对于分词器的其他功能就可以在文章开头的链接查看，比如说哈工大的pyltp在命名实体识别方面，可以输出标注的词向量，是非常方便基础研究的命名实体的标注工作。

 

 

 

 

 

精简文本效果对比