一、常用到的第三发工具

NLP常用基本工具 
    • jieba: 
        • https://github.com/fxsjy/jieba 
    • HanLP: 
        • http://hanlp.com/ 
        • https://github.com/hankcs/pyhanlp 
    • snowNLP:
        • http://github.com/isnowfy/snownlp 
    • ltp: 
        • http://ltp.ai/demo.html 
          http://ltp-cloud.com
        • https://github.com/HIT-SCIR/ltp
    • NLTK: 

    以上几个工具均可以分词

    • gensim 
        • https://radimrehurek.com/gensim/ 
    • jiagu 
        • https://github.com/ownthink/Jiagu

中文nlp数据增强 中文nlp工具_中文nlp数据增强

 

1、jieba 分词

Jieba常用的一种Python语言的中文分词和词性标注工具；算法基 于前缀词典实现高效的词图扫描，生成句子中汉字所有可能
    成词情况所构成的有向无环图，然后采用动态规划查找最大概率路径， 找出基于词频的最大切分组合；对于未登录词/新词
    和词性标注使 用HMM的Viterbi算法来进行构造。

（1）安装

               • 安装方式： pip install jieba 

中文nlp数据增强 中文nlp工具_中文nlp数据增强_02

（2）jieba 分词的功能 

• 基础功能： 
    • 1. 分词 
        • 前缀字典匹配、HMM模型Viterbi算法 
    • 2. 自定义词典添加 
    • 3. 关键词抽取 
        • TF-IDF、TextRank 
    • 4. 词性标注 
        • HMM模型Viterbi算法 
    • 5. 并行分词 
        • 当前版本不支持windows

（3）结巴分词的特点

1、结巴分词特点：
    词典为主，统计为辅助
   hanlp 分词的特点：
    统计为主，词典为辅助
2、

（4）jieba 使用方式

               pass

2、hanlp 

（1）安装方式

         pass

（2）hanlp 功能

             https://github.com/hankcs/HanLP  -------- hanlp

HanLP提供下列功能：

中文分词
    HMM-Bigram（速度与精度最佳平衡；一百兆内存）
        最短路分词、N-最短路分词
    由字构词（侧重精度，全世界最大语料库，可识别新词；适合NLP任务）
        感知机分词、CRF分词
    词典分词（侧重速度，每秒数千万字符；省内存）
        极速词典分词
    所有分词器都支持：
        索引全切分模式
        用户自定义词典
        兼容繁体中文
        训练用户自己的领域模型          ----------------------- hanlp 支持 自己训练模型
词性标注
    HMM词性标注（速度快）
    感知机词性标注、CRF词性标注（精度高）
命名实体识别
    基于HMM角色标注的命名实体识别 （速度快）
        中国人名识别、音译人名识别、日本人名识别、地名识别、实体机构名识别
    基于线性模型的命名实体识别（精度高）
        感知机命名实体识别、CRF命名实体识别
关键词提取
    TextRank关键词提取
自动摘要
    TextRank自动摘要
短语提取
    基于互信息和左右信息熵的短语提取
拼音转换
    多音字、声母、韵母、声调
简繁转换
    简繁分歧词（简体、繁体、臺灣正體、香港繁體）
文本推荐
    语义推荐、拼音推荐、字词推荐
依存句法分析                      -------------------------- hanlp句法分析效果不错，不支持语义分析，ltp支持语义分析
    基于神经网络的高性能依存句法分析器
    基于ArcEager转移系统的柱搜索依存句法分析器
文本分类
    情感分析
文本聚类
    KMeans、Repeated Bisection、自动推断聚类数目k
word2vec
    词向量训练、加载、词语相似度计算、语义运算、查询、KMeans聚类
    文档语义相似度计算
语料库工具
    部分默认模型训练自小型语料库，鼓励用户自行训练。所有模块提供训练接口，语料可参考98年人民日报语料库。

在提供丰富功能的同时，HanLP内部模块坚持低耦合、模型坚持惰性加载、服务坚持静态提供、词典坚持明文发布，使用非常
    方便。默认模型训练自全世界最大规模的中文语料库，同时自带一些语料处理工具，帮助用户训练自己的模型。