微信
jimichan
,备注mynlp,加入微信交流群。
mynlp是一个高性能、模块化、可扩展的中文NLP工具包。内容如下:
-
中文分词
-
CORE分词
- 二元语言模型 + viterbi解码算法 + 基础规则(数字、英文、日期..。_
- 高性能:速度200万+字/秒(2.6GHz Intel i7)
-
CWS分词
基于感知机序列标注算法 + 基础规则。_
-
CRF分词
高性能CRF解码器 + 基础规则。
-
人名识别
基于感知机实现,高准确率,高性能,自动排除歧义。
-
NER命名实体识别
-
自定义功能
自定义词库、分词纠错
-
柔性API和PIPELINE设计模式
自由组合和扩展分词逻辑需求
-
-
词性标注
基于感知机的词性标注
-
新词发现(未发布)
可小内存上运行大数据集,完美超高性能
-
拼音转换
文字转拼音,好用的API
-
文本分类
基于fastText Java原生实现
-
简繁体转换
-
感知机通用接口
提供一个通用的感知机基础API
-
文本摘要
简单的文本摘要实现
-
基础架构
- 统一资源加载
- 可扩展的资源加载API
- 基于GUICE的IOC实现可插拔的组件开发
- 高性能、易扩展的基础数据结构
-
词典和语料库资源
- 二元模型
- 二元模型词数量达20万+
- 二元接续词配对数量485万+(Hanlp对应资源大概290万+)
- 感知机模型
- 训练语料库字数7000万+
- 词性标注
- 训练语料库字数3000万+
- 人名识别
- 训练语料库字数3000万+
- 地名、组织机构名
- 训练语料库字数3000万+
- 语料库来源
- 公开语料库
- 收集的互联网资源
- 自建语料库
- 数据为人民日报2014,通过Hanlp、中科院等多种分词器自动切分对比差异,再经过10人5个月时间修复、校验 后获得的分词语料库。(准备在mynlp具备一定用户量之后再开源)
- 公开语料库
- 二元模型
非常易用,只需要1分钟你就可以体验mynlp。没有配置,无需手动下载资源文件,只需要依赖添加依赖包,写两行代码。
您需要 JAVA1.8+ 运行环境
mynlp的jar已经发布到Maven**仓库,在您的项目中依赖mynlp-all.jar最新版本。
GRADLE
compile 'com.mayabot.mynlp:mynlp-all:2.0.0'
或者MAVEN
<dependency>
<groupId>com.mayabot.mynlp</groupId>
<artifactId>mynlp-all</artifactId>
<version>2.0.0</version>
</dependency>
MynlpTokenizer tokenizer = Tokenizers.coreTokenizer();
Sentence sentence = tokenizer.parse("mynlp是mayabot开源的中文NLP工具包。");
System.out.println(sentence.asWordList());
输出:
[mynlp/x, 是/v, mayabot/x, 开源/v, 的/u, 中文/nz, nlp/x, 工具包/n, 。/w]
mynlp的发行jar里面是不包含资源文件的,在运行时如果发现本地mynlp.data目录夹没有对应资源时会自动从cdn上下载资源JAR文件,
所以第一次运行需要您电脑可以访问互联网。
默认mynlp.data文件夹的位置在~/.mynlp.data,mac系统下为隐藏文件夹,可以通过Command+Shift+G访问。
详细文档请移步WIKI
MYNLP的发展和持续离不开大家的支持,所以建立了微信群方便大家及时沟通交流,有需要的同学可以添加我微信jimichan
,备注mynlp。
mynlp开发之初是对Hanlp和ansj项目的重构整理,通过多次迭代和项目需求驱动实践,逐渐发展为目前自有的架构体系。 向HanLP和ansj在中文NLP开源中做出的贡献致敬!
mynlp项目参考了以下项目: