mmseg4j 1.6支持最多分词，应网友的要求：分词效果与 paoding 对比下。观察了 paoding 部分分词结果，现总结下。
paoding 分词效果：
--------------------------
清华大学
清华 | 大 | 华大 | 大学 |
--------------------------
华南理工大学
华南 | 理工 | 大 | 大学 |
--------------------------
广东工业大学
广东 | 工业 | 大 | 业大 | 大学 |
--------------------------
西伯利亚
西伯 | 伯利 | 西伯利亚 |
--------------------------
研究生命起源
研究 | 研究生 | 生命 | 起源 |
--------------------------
为首要考虑
为首 | 首要 | 考虑 |
--------------------------
化装和服装
化装 | 和服 | 服装 |
--------------------------
中国人民银行
中国 | 国人 | 人民 | 银行 |
--------------------------
中华人民共和国
中华 | 华人 | 人民 | 共和 | 共和国 |
--------------------------
羽毛球拍
羽毛 | 羽毛球 | 球拍 |
--------------------------
人民币
人民 | 人民币 |
--------------------------
很好听
很好 | 好听 |
--------------------------
下一个
下一 | 一个 |
--------------------------
为什么
为什么 |
--------------------------
北京首都机场
北京 | 首都 | 机场 |
--------------------------
东西已经拍卖了
东西 | 已经 | 拍卖 | 卖了 |
--------------------------
主人因之生气
主人 | 生气 |
--------------------------
虽然某些动物很凶恶
动物 | 凶恶 |
--------------------------
朋友真背叛了你了
朋友 | 真 | 背叛 |
--------------------------
建设盒蟹社会
建设 | 盒蟹 | 社会 |
--------------------------
建设盒少蟹社会
建设 | 盒少 | 少蟹 | 社会 |
--------------------------
我们家门前的大水沟很难过。
我们 | 家门 | 前 | 门前 | 前的 | 大 | 大水 | 水沟 | 很难 | 难过 |
--------------------------
罐头不如果汁营养丰富。
罐头 | 不如 | 如果 | 果汁 | 营养 | 丰富 |
--------------------------
今天真热，是游泳的好日子。
今天 | 天真 | 热 | 游泳 | 日子 | 好日子 |
--------------------------
妹妹的数学只考十分，真丢脸。
妹妹 | 数学 | 只考 | 十分 | 真 | 丢脸 |
--------------------------
我做事情，都是先从容易的做起。
做事 | 事情 | 都是 | 先从 | 从容 | 容易 | 容易的 | 做起 |
--------------------------
老师说明天每个人参加大队接力时，一定要尽力。
老师 | 师说 | 说明 | 明天 | 每个 | 个人 | 人参 | 参加 | 大 | 加大 | 大队 | 接力 | 时 | 一定 | 定要 | 要尽 | 尽力 |
--------------------------
小明把大便当作每天早上起床第一件要做的事
小明 | 大 | 大便 | 便当 | 当作 | 每天 | 早上 | 上起 | 起床 | 床第 | 第一 | 一件 | 要做 | 做的 | 的事 |
mmseg4j maxword 分词效果：
--------------------------
清华大学
清华 | 大学 |
--------------------------
华南理工大学
华南 | 理工 | 工大 | 大学 |
--------------------------
广东工业大学
广东 | 工业 | 大学 |
--------------------------
西伯利亚
西 | 伯利 | 利亚 |
--------------------------
研究生命起源
研究 | 生命 | 起源 |
--------------------------
为首要考虑
为首 | 要 | 考虑 |
--------------------------
化装和服装
化装 | 和 | 服装 |
--------------------------
中国人民银行
中国 | 国人 | 人民 | 银行 |
--------------------------
中华人民共和国
中华 | 华人 | 人民 | 共和 | 国 |
--------------------------
羽毛球拍
羽毛 | 球拍 |
--------------------------
人民币
人民 | 币 |
--------------------------
很好听
很好 | 好听 |
--------------------------
下一个
下一 | 一个 |
--------------------------
为什么
为 | 什么 |
--------------------------
北京首都机场
北京 | 首都 | 机场 |
--------------------------
东西已经拍卖了
东西 | 已经 | 拍卖 | 了 |
--------------------------
主人因之生气
主人 | 因 | 之 | 生气 |
--------------------------
虽然某些动物很凶恶
虽然 | 某些 | 动物 | 很 | 凶恶 |
--------------------------
朋友真背叛了你了
朋友 | 真 | 背叛 | 了 | 你了 |
--------------------------
建设盒蟹社会
建设 | 盒 | 蟹 | 社会 |
--------------------------
建设盒少蟹社会
建设 | 盒 | 少 | 蟹 | 社会 |
--------------------------
我们家门前的大水沟很难过。
我们 | 家 | 门前 | 的 | 大水 | 水沟 | 很难 | 过 |
--------------------------
罐头不如果汁营养丰富。
罐头 | 不如 | 果汁 | 营养 | 丰富 |
--------------------------
今天真热，是游泳的好日子。
今天 | 天真 | 热 | 是 | 游泳 | 的 | 好 | 日子 |
--------------------------
妹妹的数学只考十分，真丢脸。
妹妹 | 的 | 数学 | 只 | 考 | 十分 | 真 | 丢脸 |
--------------------------
我做事情，都是先从容易的做起。
我做 | 事情 | 都是 | 先 | 从容 | 易 | 的 | 做起 |
--------------------------
老师说明天每个人参加大队接力时，一定要尽力。
老师 | 师说 | 明天 | 每个 | 个人 | 参加 | 大队 | 接力 | 时 | 一定 | 要 | 尽力 |
--------------------------
小明把大便当作每天早上起床第一件要做的事
小明 | 把 | 大便 | 当作 | 每天 | 早上 | 起床 | 第一 | 一件 | 要做 | 的 | 事 |
paoding 几乎把所有的子词都拆出来，有时候还有最长的词，还没搞懂“华南理工大学”会分出“大”；mmseg4j 的 maxword 是在 complex分词后的结果再把子词都拆出来（1.6版按二元，不是词的去掉或保存单字。下一版本可能方式有点不同，“为什么”不应该为“为|什么”，也即是三个字的前后不是词的应该不分，有待研究，:)）。
如“化装和服装” mmseg4j 的 complex是可以较好的分出来（“化装 | 和 | 服装”），而 paoding 少了字频的信息，比较难到这事。mmseg4j complex 也有个缺点：“都是先从容易的做起” 不能把“容易”分出来，这是因为 mmseg 算法是用 3 个chunk的原因，我认为把整句的 chunk （还是仅仅3个chunk）来处理的话，分词效果要好），当然要更多的开销，选3个可能是效果与性能平衡吧。
mmseg4j 没有加任何 stopword，这东西留给使用者自己加，因为我不认为加 stopword 是好的方法。如音乐搜索，给加上 the,this……，还能找到歌曲？
当然分词效果还与词库有关，sogou 的词库是统计得出，有些高频的单字组合也成了词，如“我们的”。如果还要提高 mmseg4j 的分词效果，还要在整理下词库。
分享到：
相关推荐
本文将深入探讨基于Lucene的四种中文分词器：Paoding、IK、Imdict和Mmseg4j，它们都是针对Java开发的高效、开源的中文分词工具。 1. Paoding（庖丁）分词器： Paoding是一款高性能的中文分词器，设计目标是提供...
能兼容solr-4.10.2的分词器,大礼包全放送.包括IK分词器,mmseg4j分词器,庖丁...都是经本人测试可用,其中mmseg4j与庖丁都是下载源码,修改重编译并测试生成的.希望大家喜欢.至于与solr的整合方式,网上很多,这里就不介绍了.
在"Solr3.2+mmseg4j-1.8.4中文搜索引擎 demo"项目中，`paoding-analysis.jar`是包含mmseg4j分析器的Java库文件，它提供了与Solr交互的接口，使得Solr能够使用mmseg4j进行中文分词。`readme.txt`通常包含了关于如何...
3，分享一波分词器SDK开发包及使用手册（IK分词器、imdict(ictclas)分词器、je分词器、mmseg分词器、paoding分词器、Shuzhen分词器、庖丁解羊分词器、增强版lucene分词器） 文件比较大，请耐心下载。
为了实现更好的中文处理，我们可以选用第三方分词器，如Paoding、Imdict、IK Analyzer和Mmseg4j。在这些分词器中，Mmseg4j因其较高的准确率（98%）和简单的配置而被选中。通过在Solr的schema.xml中定义新的fieldType...
中文分词对中文内容的索引和搜索至关重要，因此，介绍了两种常见的分词器：mmseg4j和paoding。此外，文档还对Solr的核心配置文件（如schema.xml和solrconfig.xml）进行了详尽的解释。 文档的第三部分涉及了Solr的...
常见的中文分词工具有Scws（基于词频词典）、Paoding（基于Lucene）、Imdict（智能词典）和Mmseg4j（封装mmseg算法，自带Sogou词库）。这些工具帮助搜索引擎理解中文文本，提高搜索准确性。 4. Sphinx与Coreseek的...
- 中文分词配置，包括mmseg4j和paoding两种分词器。 - 多核配置方法，以及配置文件说明，比如schema.xml和solrconfig.xml。 在应用方面： - 概述了Solr应用模式和使用过程。 - 提供了一个简单的例子，包括Solr ...
mmseg4j是一种用于中文分词的工具，可以集成到Solr中。安装步骤如下： 1. 下载mmseg4j插件。 2. 将插件jar包放置在Solr的lib目录下。 3. 在schema.xml中定义使用mmseg4j的Analyzer。 - **2.2.2 paoding** Paoding...
对于中文分词，Solr支持mmseg4j和paoding等分词库。多核配置是Solr实现多租户或不同业务场景搜索的关键，每个core可以看作独立的搜索引擎实例。 Solr的应用广泛，涵盖了从基础的全文搜索到复杂的业务逻辑集成。在...
- 中文分词配置：包括mmseg4j和paoding两个中文分词器的配置方法。 - 多核（MultiCore）配置：讲解了多核配置的方法及其优势。 3. Solr的应用 - SOLR应用概述：概述了Solr的应用模式和使用过程。 - 一个简单的例子...
- **2.2.1 mmseg4j**：mmseg4j是一种基于最大匹配算法的中文分词库，可以在Solr中使用它来提高中文文本的搜索效果。 - **2.2.2 paoding**：paoding是一款高性能的中文分词工具，同样适用于Solr，支持自定义词典和...
包括mmseg4j和paoding两种分词器的配置方法。 2.3 多核（MultiCore）配置 Solr的多核配置允许在一个实例中管理多个独立的搜索应用。 2.4 配置文件说明 主要讨论schema.xml和solrconfig.xml这两个核心配置文件的...
### Lucene自学知识点...- **mmseg**：基于中文的分词工具，适用于中文环境下的分词需求。 通过以上知识点的学习，我们可以了解到Lucene的核心架构及其关键组成部分的工作原理，这对于深入理解和应用Lucene至关重要。
- **mmseg4j**：一种常用的中文分词工具，适用于Solr。 - **paoding**：另一种中文分词工具，支持更复杂的分词逻辑。 #### 9. Solr 的多核配置 - **多核配置方法**：在Solr中创建多个独立的核心(core)，每个核心...