Skip to content

Latest commit

 

History

History
84 lines (68 loc) · 4.52 KB

README.md

File metadata and controls

84 lines (68 loc) · 4.52 KB
Raw

jiojio

- 基于CPU的高性能、持续迭代模型、简便中文分词器

a convenient Chinese word segmentation tool

适用场景

  • 基于 CPU 的高性能、持续优化 中文分词器。

功能

  • 基于 C 的 Python 接口分词器，CPU 单进程运行性能达 13.4 万字/秒，多个分词工具性能对比

  • 网页版 JioNLP源站，可快速试用分词、词性标注功能

  • 基于 CRF 算法，精细优化的 字符特征工程，模型特征说明

  • 对模型文件的尽力压缩，使用 np.float8 精度类型，500万特征参数，模型文件大小30M，方便 pip 安装

  • 添加自定义词典兼容静态、动态两种方式，流程一致性强，词典配置说明

  • 将规则加入模型，有效克服某些类型文本受限于模型处理的情况，分词-添加正则

  • 支持词性标注功能，与 JioNLP 联合实现关键短语抽取、新闻地域识别 等功能

安装

  • pip 方式（稳定版本）
$ pip install jiojio
  • Git 方式（开发版本）
$ git clone https://github.com/dongrixinyu/jiojio
$ cd jiojio
$ pip install .
  • 非 ubuntu 环境的 C 安装 如使用 windows 或 mac 等操作系统或其它硬件，则没有直接可调用 C 的库，程序默认直接调用纯 Python 进行分词，因此速度会慢。可以使用以下方式安装编译 C 库。以下方式仅供参考，在熟悉 C 语言后进行调试使用。关于windows平台的编译说明
$ git clone https://github.com/dongrixinyu/jiojio
$ cd jiojio/jiojio/jiojio_cpp
$ ./compiler.sh

使用

  • 基础方式
>>> import jiojio
>>> jiojio.init()
>>> print(jiojio.cut('开源软件应秉持全人类共享的精神，搞封闭式是行不通的。'))

# ['开源', '软件', '应', '秉持', '全人类', '共享', '的', '精神', '，', '搞', '封闭式', '是', '行', '不通', '的', '。']
# 可通过 jiojio.help() 获取基本使用方式说明
# 可通过 print(jiojio.init.__doc__) 获取模型初始化的各类参数

关于 jiojio 分词器的一些问答

  • 可能早十年把这个分词器写出来，jiojio 也许现在就会流行起来。在 ChatGPT 称霸 NLP 界的今天，我写这个工具，加速这个工具，纯粹是为了提升一下 C 语言的编程能力。ChatGPT 能够做出来，还是需要理想主义的，我写这个工具同理。
  • 与jiojio有关的问答

TODO

  • 对分词器效果做标注数据更新，模型长期优化

交流群聊

  • 欢迎加入自然语言处理NLP交流群，搜索wx公众号“JioNLP”，或扫以下码即可入群

image