初学者 | 一起走进PKUSeg

"

欢迎关注同名微信公众号:AI小白入门。跟着博主的脚步，每天进步一点点哟

本文介绍了PKUSeg的使用方法，它简单易用，支持细分领域分词，有效提升了分词准确度，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。

简介

PKUSeg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，网络文本领域和混合领域的分词预训练模型，同时也拟在近期推出更多的细领域预训练模型，比如医药、旅游、专利、小说等等。

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。

GitHub地址：https://github.com/lancopku/PKUSeg-python

---

各类分词工具性能对比

作者选择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，作者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。

作者在新闻数据(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。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，使用默认的训练超参数。

细领域训练及测试结果

跨领域测试结果：

默认模型在不同领域的测试效果：

---

实战

1.安装

# 安装：pip3 install -U pkuseg

# 国内源安装：

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

# 预训练模型地址：https://github.com/lancopku/PKUSeg-python

import pkuseg

2.使用默认模型及默认词典分词

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)

loading model

finish

[我, 爱, 北京, 天安门]

3.设置用户自定义词典

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)

loading model

finish

[我, 爱, 北京天安门]

4.使用其它模型

seg = pkuseg.pkuseg(model_name=./msra) # 假设用户已经下载好了msra的模型

# 并放在了./msra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)

loading model

finish

[我, 爱, 北京, 天安门]

5.对文件分词

import pkuseg

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

# 对input.txt的文件分词输出到output.txt中，

# 使用默认模型和词典，开20个进程

6.训练新模型

# 训练文件为msr_training.utf8

# 测试文件为msr_test_gold.utf8

# 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)

7.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(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。

8.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 同pkuseg.pkuseg

user_dict 同pkuseg.pkuseg

nthread 测试时开的进程数

9.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

参考资料：https://github.com/lancopku/PKUSeg-python

"

文章来源: https://www.toutiao.com/group/6716003223922016780/