pkuseg-python简单易用，支持细分领域分词，有效提升了分词准确度。
pkuseg具有如下几个特点：
目前仅支持python3，python2支持正在加紧施工。
pip3 install pkuseg
之后通过import pkuseg来引用
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple pkuseg
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U pkuseg
将pkuseg文件放到目录下，通过import pkuseg使用
模型需要下载或自己训练。
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。对于需要训练的模型，如THULAC和pkuseg，在所有数据集上，我们使用默认的训练超参数。
为了方便用户的使用和比较，我们预训练好的其它工具包的模型可以在预训练模型节下载。
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 CTB8 Precision Recall F-score jieba 88.63 85.71 87.14 THULAC 93.90 95.30 94.56 pkuseg 95.99 95.39 95.69 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我们选用了混合领域的CTB8语料的训练集进行训练，同时在其它领域进行测试，以模拟模型在“黑盒数据”上的分词效果。选择CTB8语料的原因是，CTB8属于混合语料，理想情况下的效果会更好；而且在测试中我们发现在CTB8上训练的模型，所有工具包跨领域测试都可以获得更高的平均效果。以下是跨领域测试的结果：
CTB8 Training MSRA CTB8 PKU WEIBO All Average OOD Average jieba 82.75 87.14 87.12 85.68 85.67 85.18 THULAC 83.50 94.56 89.13 91.00 89.55 87.88 pkuseg 83.67 95.69 89.67 91.19 90.06 88.18其中，All Average显示的是在所有测试集(包括CTB8测试集)上F-score的平均，OOD Average (Out-of-domain Average)显示的是在除CTB8外其它测试集结果的平均。
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，我们也比较了各个工具包的默认模型在不同领域的测试效果(感谢 @yangbisheng2009 的建议)。请注意，这样的比较只是为了说明默认情况下的效果，并不是公平的。
Default Training Corpus MSRA CTB8 PKU WEIBO All Average OOD Average jieba ? 81.45 79.58 81.83 83.56 81.61 ? THULAC 人民日报(PKU?) 85.55 87.84 92.29 86.65 88.08 86.68? pkuseg CTB8 83.67 95.69 89.67 91.19 90.06 88.18其中，All Average显示的是在所有测试集上F-score的平均，OOD Average是去除对应训练语料的测试集后的平均结果。THULAC的介绍中显示默认模型的训练语料为人民日报，同时提供词性标注功能，我们推测其使用的是PKU数据集，如果理解有误，欢迎指正。我们暂时没有发现jieba的默认基于词频模型的语料来源。
以下代码示例适用于python交互式环境。
代码示例1：使用默认配置进行分词，使用CTB8预训练模型，不使用词典
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)
代码示例2：使用默认模型，并使用自定义词典。请留意凡是在词典中的词一定会单独成词，因而请仅加入必须切分出来的词。
import pkuseg
lexicon = ['北京大学', '北京天安门'] # 希望分词时用户词典中的词固定不分开
seg = pkuseg.pkuseg(user_dict=lexicon) # 加载模型，给定用户词典
text = seg.cut('我爱北京天安门') # 进行分词
print(text)
代码示例3：使用其它模型，不使用词典
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)
代码示例4：对文件分词(使用默认模型，不使用词典)
import pkuseg
# 对input.txt的文件分词输出到output.txt中
# 使用默认模型，不使用词典，开20个进程
pkuseg.test('input.txt', 'output.txt', nthread=20)
代码示例5：训练新模型
import pkuseg
# 训练文件为'msr_training.utf8'
# 测试文件为'msr_test_gold.utf8'
# 训练好的模型存到'./models'目录下，开20个进程训练模型
pkuseg.train('msr_training.utf8', 'msr_test_gold.utf8', './models', nthread=20)
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
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
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。
模型配置
pkuseg.pkuseg(model_name='ctb8', user_dict=[])
model_name 模型路径。默认是'ctb8'表示我们预训练好的模型(仅对pip下载的用户)。
用户可以填自己下载或训练的模型所在的路径如model_name='./models'。
user_dict 设置用户词典。默认不使用词典。填'safe_lexicon'表示我们提供的一个中文词典(仅pip)。
用户可以传入一个包含若干自定义单词的迭代器。
对文件进行分词
pkuseg.test(readFile, outputFile, model_name='ctb8', user_dict=[], 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
nthread 测试时开的进程数
模型训练
pkuseg.train(trainFile, testFile, savedir, nthread=10)
trainFile 训练文件路径
testFile 测试文件路径
savedir 训练模型的保存路径
nthread 训练时开的进程数
分词模式下，用户需要加载预训练好的模型。我们提供了三种在不同类型数据上训练得到的模型，根据具体需要，用户可以选择不同的预训练模型。以下是对预训练模型的说明：
MSRA: 在MSRA（新闻语料）上训练的模型。下载地址
CTB8: 在CTB8（新闻文本及网络文本的混合型语料）上训练的模型。随pip包附带的是此模型。下载地址
WEIBO: 在微博（网络文本语料）上训练的模型。下载地址
其中，MSRA数据由第二届国际汉语分词评测比赛提供，CTB8数据由LDC提供，WEIBO数据由NLPCC分词比赛提供。
我们预训练好其它分词软件的模型可以在如下地址下载：
其中jieba的默认模型为统计模型，主要基于训练数据上的词频信息，我们在不同训练集上重新统计了词频信息。对于THULAC，我们使用其提供的接口进行训练(C++版本)，得到了在不同领域的预训练模型。
欢迎更多用户可以分享自己训练好的细分领域模型。
本工具包基于以下文献：
@inproceedings{DBLP:conf/acl/SunWL12,
author = {Xu Sun and Houfeng Wang and Wenjie Li},
title = {Fast Online Training with Frequency-Adaptive Learning Rates for Chinese Word Segmentation and New Word Detection},
booktitle = {The 50th Annual Meeting of the Association for Computational Linguistics, Proceedings of the Conference, July 8-14, 2012, Jeju Island, Korea- Volume 1: Long Papers},
pages = {253--262},
year = {2012}}
@inproceedings{DBLP:conf/acl/XuS16,
author = {Jingjing Xu and Xu Sun},
title = {Dependency-based Gated Recursive Neural Network for Chinese Word Segmentation},
booktitle = {Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics, {ACL} 2016, August 7-12, 2016, Berlin, Germany, Volume 2: Short Papers},
year = {2016}}
Ruixuan Luo （罗睿轩）, Jingjing Xu（许晶晶）, Xu Sun （孙栩）
RetroSearch is an open source project built by @garambo | Open a GitHub Issue
Search and Browse the WWW like it's 1997 | Search results from DuckDuckGo
HTML:
3.2
| Encoding:
UTF-8
| Version:
0.7.4