中文分词 (Chinese Word Segmentation) 指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符，虽然英文也同样存在短语的划分问题，不过在词这一层上，中文比之英文要复杂的多、困难的多。下面简单介绍几个中文分词工具。中文版本主要介绍ICTCLAS系列，英文版的包括LingPipe,StarnfordWord Segmenter,以及OpenNlp软件包。

1. ICTCLAS

1.1. ICTCLAS 介绍

ICTCLAS (Institute of Computing Technology, Chinese Lexical Analysis System)分词系统是由中科院计算所的张华平、刘群所等开发的一套获得广泛好评的分词系统，主要功能包括中文分词；词性标注；命名实体识别；新词识别；同时支持用户词典。
ICTCLAS全部采用C/C++编写，支持Linux、FreeBSD及Windows系列操作系统，支持C/C++/C#/Delphi/Java等主流的开发语言。
ICTCLAS采用了层叠隐马尔可夫模型（Hierarchical Hidden Markov Model），将汉语词法分析的所有环节都统一到了一个完整的理论框架中，获得最好的总体效果，相关理论研究发表在顶级国际会议和杂志上，从理论上和实践上都证实了该模型的先进性。

1.2. ICTCLAC分词原理简介

该系统基于隐马尔科夫模型提出了层叠隐马尔科夫模型（CHMM），CHMM实际上是若干个层次的简单HMM组合，各层隐马尔科夫模型之间以以下几种方式相互关联：各层HMM之间共享一个切分词图作为公共数据结构（如图1），每一层隐马尔科夫模型都采用N-Best策略，将产生的最好的若干个结果送到此图中供更高层次的模型使用。
该CHMM由低到高依次为：原子切分，简单未登录词识别，嵌套未登录词识别，这几层中共享二元切分词图，并在每层对该数据结构进行修改，使得传递给基于类地隐马分词的参数越来越准确，最后一层为隐马词性标注。

1.3. ICTCLAC实现版本

1.3.1 原始版本

ICTCLAS Free版本于 2002 年 8 月 16 日发布于中文自然语言处理开放平台（http://www.nlp.org.cn/）并于 2002 年 9 月发布相应的论文及测试报告。测试报告主要包括国家 973 英汉机器翻译第二阶段的评测报告及在 1998 年 1 月标注人民语料库上的自评结果。

1.3.2 中科天玑商业版 ICTCLAS汉语分词系统

应用户要求，作者在原来基础上做了改进，推出 ICTCLAS 2011。内核版本5.0，改版后分词速度更快；稳定性更高。 ICTCLAS 2011c/c++/c#版、JNI版均支持多线程调用。以往版本需要进行编码转换，统一转换成GB2312之后才能做进一步处理。系统当前版本支持GB2312、GBK、UTF-8、BIG5等编码。以上编码无需做任何转换，即可进行后续处理。用户可指定需要处理数据的具体编码（有利于提高速度）也可让系统自动识别编码。本版新增了对繁体中文即BIG5的识别处理。本版对Windows7支持良好。支持大用户词典。
该版本的源码还是C++,不过有java ，C#等的接口
下载地址：http://www.ictclas.org/ictclas_download.aspx

测试使用

C++版本没调试通过，代码也没看懂，各种心塞，继续努力

1.3.3 ICTCLAS4J版本

ICTCLAS4J介绍

ICTCLAS4J中文分词系统是sinboy在FreeICTCLAS的基础上完成的一个java开源分词项目，简化了原分词程序的复杂度，旨在为广大的中文分词爱好者一个更好的学习机会。不同于以前的C++版提供的JNI调用，ICTCLAS4J是纯Java版本的ICTCLAS。但是也由于开源有很多的不足。

ICTCLAS4J测试使用

下载ICTCLAS4J: http://ictclas.org/Down_OpenSrc.asp

将下载下的ICTCLAS4J解压缩得到bin,data,src, segtag.bat 4个文件

在Eclipse上建立一个project,命名为ictclas4jTest
把Data文件夹整个拷贝到Eclipse项目的文件夹下,而bin目录下的org文件夹整个拷贝到Eclipse项目的bin目录下，把src目录下的org文件夹整个拷贝到Eclipse项目的src目录下
导入commons-lang.jar http://download.csdn.net/detail/qianwen5201314/7716237

现在就可以在你的项目里新建一个类来试试。这里新建了一个test类，代码如下：

分词结果（可以改变源码使其出现词性标注）

BUG与不足

BUG1: 在使用分词时候，人名会出现漏字问题(如上测试) 。

PosTagger.java文件中人名识别部分personRecognize方法里面出错了，注释掉if (sn.getPos() <4 &&unknownDict.getFreq(sn.getWord(),sn.getPos()) < Utility.LITTLE_FREQUENCY)，参见 http://tinypig.iteye.com/blog/250926

BUG2: AdjustSeg.java里面的 finaAdjust()函数里要注意将while语句的判断条件while (true)改为while (true && i + 1 < optSegPath.size()) ,否则也可能发生越界错误
BUG3: 当汉字首字节为负如“癵”*（实际上可能是乱码），转换找词表的时候会发生越界错误，这个bug在开源的ictclas里面也存在，但是c++不检查越界，因此不报错。因此在Dictionary.java中的findInOriginalTable方法中加入判断if(index < 0 || index >=Utility.CC_NUM) return -1;

不足：速度比较慢。

代码里面用到了很多java的String的操作，这个其实比较废时间，还有词典的组织，也是用的String的数组，再二分查找，用hash应该会快一点。

ICTCLAS因为有一个卖钱的商业版，所以这个开源的版本毛病还是比较多的。比如有一些词库中不存在的词，就会扔空指针的错误，比如“深圳”，“大阪”这样的词。还有对一些特殊的字符串模式，比如单引号隔几个字符再加一个什么什么的，就会报错还有一些特殊的字符，也会报错。

1.3.4 imdict-Chinese-analyzer版本

imdict-chinese-analyzer简单介绍

imdict-chinese-analyzer是 imdict智能词典的智能中文分词模块，作者高小平，算法基于隐马尔科夫模型(Hidden Markov Model, HMM)，是中国科学院计算技术研究所的ictclas中文分词程序的重新实现（基于Java），可以直接为lucene搜索引擎提供中文分词支持。

imdict-chinese-analyzer测试使用

下载链接http://ictclas.org/Down_OpenSrc.asp
下到的压缩包解压后就是一个java工程，eclipse直接导入即可，但由于其开发的环境是UTF8所以要将eclipse的工作空间的编码也设置为utf8，test包里面的AnalyzerTest就是其用法，看了以后就可以直接用了

imdict-chinese-analyzer优缺点

优点

开源，分词速度快，效率高；

缺点

不支持自己添加词库，不支持词性标注（开发人员自己说是为了提高速度），data文件夹仅自带了两个字典coredict核心字典、bigramdict词关系字典，这是两个最重要的词典，没有地名和人名的词典，所以要识别人名地名比较麻烦，据说要用层次hmm，先粗分在细分。

1.3.5 ANSJ 版本

ANSJ介绍

ANSJ 是一个开源的Java 中文分词工具，基于中科院的 ICTCLAS 中文分词算法，采用隐马尔科夫模型（HiddenMarkov Model, HMM）。孙健（ICTCLAS作者张华平的学生）重写了一个Java版本，并且全部开源，使得 ANSJ可用于人名识别、地名识别、组织机构名识别、多级词性标注、关键词提取、指纹提取等领域，支持行业词典、用户自定义词典。分词效果和速度都超过开源版的ICTCLAS.
ANSJ1.4在原来ANSJ的基础上做了进一步的改进（类似Stanford word segment）增加了google语义模型+条件随机场模型的中文分词的java实现.提供了给予CRF++ wapiti等条件随即场工具的调用接口.用户可以及自定义训练model。目前实现了中文分词,中文姓名识别 , 用户自定义词典,可以应用到自然语言处理等方面。
源码下载：https://github.com/ansjsun/ansj_seg/
文档说明：http://ansjsun.github.io/ansj_seg/
作者微博：http://weibo.com/ansjsun

ANSJ测试使用

按照作者的方式使用，但是没有成功，有待进一步查找原因

1.3.6 Rwordseg版本

Rwordseg简单介绍

Rwordseg 是一个R环境下的中文分词工具，使用rJava调用Java分词工具Ansj。当前版本的Rwordseg包完全引用了 Ansj 包，只是简单提供了R的接口，并根据R中处理文本的习惯进行了调整,以后可能还会纳入其他的分词工具或者自己开发一些新的功能。

Rwordseg说明

使用说明链接 http://jliblog.com/app/rwordseg

安装与使用

详细的使用可以参照 R包的中文文档 Rwordseg_Vignette_CN.pdf

#用于下载安装rJava 和 Rwordseg,如果安装了就注释掉
install.packages("rJava")
install.packages("Rwordseg", repos="http://R-Forge.R-project.org", type="source")#导入rJava 和Rwordseg
library(rJava)
library(Rwordseg)
#测试rJava 和Rwordseg是否安装好
teststring1 <- "我爱R语言，我爱文本挖掘"
segmentCN(teststring1)
#观察分词1000次花的时间
system.time(for(i in 1:1000) segmentCN(teststring1))
#segmentCN的详细解释
?segmentCN#若输入参数为字符向量，则返回列表
segmentCN("结合成分子时")
segmentCN(c("说的的确在理","一次性交多少钱"))
#默认nosymbol为TURE 不输出标点，只能有汉字，英文，和数字
segmentCN("我喜欢读《圣经》，你呢？")
segmentCN("我喜欢读《圣经》，你呢？",nosymbol=FALSE)
#nature设置 是否输出词性 不是很智能 会出现错误
segmentCN("花了一元钱买了一朵美丽的花",nature=TRUE)#参数isNameRecognition  可用来人的名字识别，
getOption("isNameRecognition") #默认是不进行人名识别,输出false
segmentCN("梅超风不是是桃花岛岛主")
segment.options(isNameRecognition = TRUE)
getOption("isNameRecognition")
segmentCN("梅超风是桃花岛岛主")#对金庸的侠客行进行分词，分词的结果会输出到“侠客行.segment.txt”下
segmentCN("E://Rcode//source//侠客行.txt")
#“侠客行.txt” 364251个字， 大约用时间10S，还是很快的
system.time(segmentCN("E://Rcode//source//侠客行.txt"))#查看词典
listDict()
segmentCN("湖北大鼓真是不错呀")
#导入~.dic词典，可以直接复制然后改名为.dic
installDict("E://Rcode//source//default.dic","default")
segmentCN("湖北大鼓真是不错呀")
#uninstallDict() 删除安装的词典
uninstallDict()
#listDict() 查看剩余的词典
listDict()##用搜狗词库的时候 一定要在官网上下载  ~.scel 文件，
#不能直接将 下载的 ~.txt改为~.scel
segmentCN("床前明月光，凝视地上霜")
installDict("E://Rcode//source//李白诗集【官方推荐】.scel","libai",dicttype = "scel")
segmentCN("床前明月光，凝视地上霜")segmentCN("天罡北斗阵和六脉神剑哪个更厉害")
listDict()
installDict("E://Rcode//source//金庸武功招式.scel","jinyong",dicttype = "scel")
segmentCN("天罡北斗阵和六脉神剑哪个更厉害")#自定义词典
#手动添加或删除词汇，仅仅只在内存中临时添加，未记录下来
segmentCN("画角声断谯门")
insertWords("谯门")
insertWords("画角")
segmentCN("画角声断谯门")
deleteWords(c("谯门","画角"))
segmentCN("画角声断谯门")
#使用save参数，把操作记录下来，下回启动能直接用
insertWords(c("谯门","画角"),save=TRUE)
segmentCN("画角声断谯门")

2. LingPipe

2.1. LingPipe简介

LingPipe是一个自然语言处理的Java开源工具包。LingPipe目前已有很丰富的功能，包括主题分类（Top Classification）、命名实体识别（Named Entity Recognition）、词性标注（Part-of Speech Tagging）、句题检测（Sentence Detection）、查询拼写检查（Query Spell Checking）、兴趣短语检测（Interseting Phrase Detection）、聚类（Clustering）、字符语言建模（CharacterLanguage Modeling）、医学文献下载/解析/索引（MEDLINEDownload, Parsing and Indexing）、数据库文本挖掘（DatabaseText Mining）、中文分词（ChineseWord Segmentation）、情感分析（SentimentAnalysis）、语言辨别（LanguageIdentification）等API。

功能非常强大，最重要的是文档超级详细，每个模型甚至连参考论文都列出来了，不仅使用方便，也非常适合模型的学习。

官方地址：http://alias-i.com/lingpipe/

下载地址：http://alias-i.com/lingpipe/web/download.html

2.2. LingPipe中文分词模块

UnlikeWestern languages, Chinese is written without spaces between words. Thus to runany word- or token-based linguistic processing on Chinese, it is firstnecessary to determine word boundaries. This tutorial shows how to segmentChinese into words based on LingPipe's spelling corrector.

http://alias-i.com/lingpipe/demos/tutorial/chineseTokens/read-me.html

2.3. Chinese Word Segmentation使用

1.下载最新版本的LingPipe，选择complete版本

下载地址：http://alias-i.com/lingpipe/web/downloadJarOrDistro.html?

2. 解压lingpipe-4.1.0.tar

3. 创建LingPipe项目

§ File >> New >> Project.

§ Java Project from Existing Ant Buildfile

§ Next.

§ Project Name.

§ Browse...,

§ $LINGPIPE/build.xml

4. 添加jar包

§ Project >> Properties,

§ Java Build Path

§ Libraries

§ Add External JARs,

§ $LINGPIPE/lib/junit-3.8.1.jar

§ OK

添加后的eclipse截图

5.下载测试的Source code，并复制到src下

src/ChineseTokens05.java

6.设置训练参数

mZipFile = new File(args[0],"icwb2-data.zip");

mCorpusName =args[1];

mOutputFile = new File(mCorpusName + ".segments");

mKnownToksFile = new File(mCorpusName + ".knownWords");

mMaxNGram = Integer.valueOf(args[2]);

mLambdaFactor = Double.valueOf(args[3]);

mNumChars = Integer.valueOf(args[4]);

mMaxNBest = Integer.valueOf(args[5]);

改为

mZipFile = new File("C://Users//essex.user//Desktop//NLP//icwb2-data.zip");

mCorpusName = "cityu";//根据自己设定

mOutputFile = new File("C://Users//essex.user//Desktop//NLP//cityu.out.segments");

mKnownToksFile = new File(mCorpusName +".knownWords");

mMaxNGram = 5;

mLambdaFactor = 5.0;

mNumChars = 5000;

mMaxNBest = 256;

下载icwb2-data.zip ，其余参数按照chinese wordsegmentation 的tutorials设置

Data Directory=e:\data\chineseWordSegBakeoff03

    Train Corpus Name=cityu

    Test Corpus Name=hk

    Output File Name=e:\data\chineseWordSegBakeoff03\cityu.out.segments

    Known Tokens File Name=e:\data\chineseWordSegBakeoff03\cityu.out.knownWords

    Char Encoding=Big5_HKSCS

    Max N-gram=5

    Lambda factor=5.0

    Num chars=5000

    Max n-best=256

    Continue weight=0.0

    Break weight=0.0

3. Stanford Word Segmenter

3.1. Stanford Word Segmenter简介

Stanford Word Segmenter是斯坦福大学NLP group研发的一套基于CRF的开源中文分词系统，采用CRF(Conditional Random Fields)算法。速度比ICTCLAS4J快很多，但是不开放字典。

优点：很好处理歧义和未登录词问题，效果比基于字符串匹配效果好
缺点：需要大量的人工标注数据，较慢的分词速度（相比于传统的字典的最大正向匹配切分）

NLP地址：        http://nlp.stanford.edu/

3.2. Stanford Word Segmenter软件包的使用

1,下载Stanford Word Segmenter软件包；

Download StanfordWord Segmenter version 2014-06-16

2，在eclipse上建立一个Project StanfordSegmenter。解压Stanford Word Segmenter软件包，将其中的data,arabic，test.sipe.utf8文件夹复制到项目下。

3，添加需要的jar包，seg.jar , stanford-segmenter-3.4-javadoc.jar, stanford-segmenter-3.4-sources.jar.

　　步骤：点击Project->Properties->JavaBulid Path->Libraries->Add External Jars

4,在项目下，建一个com.Seg包，在包下建立一个SegDemo.java，将解压出来的SegDemo的内容复制进去。

5，设置运行环境。

运行SegDemo，Run As-> Run Configurations,运行需要传入参数，test.simp.utf8.

由于Stanford-Sementer占用的内存比较大，所以需要设置VM arguments,不然就会超内存。

如果机子是64bit的可以设为，-mx2g。查看解压出来的segment.sh 文件，可以看到JAVACMD语句的参数设置。

6，运行结果如下，可以看出分词的效果。

7，关联源码，进一步查看分词建模的细节。单步运行观察各个函数的功能。

　　7.1 对loadClassifierNoExceptions(也可以其他函数)点击 ctrl+右键观察源码。结果显示Source not Found.

　　7.2 关联源码，Attach Source->Extenal File->然后将最开始解压包中的stanford-segmenter-3.4-sources.jar包加进去。

　　7.3再次点击，就可以看得源码。

8，如果是中文版的eclipse需要改成英文版的。中文版的没有AttachSource提醒。改变步骤如下：

在eclipse的安装目录里找到eclipse.ini文件，编辑打开，在文件的后面加上 -Duser.language=en这句话，elipse就变成英文版的了　　

3. OpenNLP　

3.1. OpenNLP简介

OpenNLP是Apache基金会下面的一个机器学习工具包，用于处理自然语言文本。支持大多数常用的 NLP任务，例如：分词、分句、词性标注、命名实体识别、主块分析、句法解析等。其中几个主要的网址为:

官网主页: http://opennlp.apache.org/

用户手册: http://opennlp.apache.org/documentation/1.5.3/manual/opennlp.html

模型下载: http://opennlp.sourceforge.net/models-1.5/

OpenNLP不仅提供了训练好的各种模型,最终要的是,它还允许自己训练模型.

3.2. OpenNLP使用

3.2.1 使用说明

OpenNLP的使用十分简单,归纳起来一般都遵循以下几个步骤:

1. 训练模型,当然也可以跳过该步骤,而直接使用官方提供的一些已经训练好的模型;

2. 加载模型,不同任务需要加载不同的模型,通常都是通过构造一个InputStream来加载训练好的模型;

3. 构造预测器,通过加载进来的训练好的模型构造预测器;

4. 利用预测器进行NLP相关任务.

3.2.2 测试使用

1. 下载jar包，设置环境

在官网上下载apache-opennlp-1.5.3-bin.zip包，下载地址http://opennlp.apache.org/cgi-bin/download.cgi

在eclipse下建立一个OpenNLPTest项目
解压apache-opennlp-1.5.3-bin.zip，将apache-opennlp-1.5.3\lib文件下的4个jar包添加到新建的OpenNLPTest项目中

下载你需要的模型文件，下载地址：http://opennlp.sourceforge.net/models-1.5/ 下面测试时会使用

2．使用实例

Sentence Detector

1.下载en-sent.bin ，并复制到project中

2.在src上创建Test.java

3.复制下列代码到test.java中

package OpenNLP;

import java.io.*;

import opennlp.tools.sentdetect.SentenceDetectorME;

import opennlp.tools.sentdetect.SentenceModel;

import opennlp.tools.util.InvalidFormatException;

publicclass test {

publicstaticvoid main(String[] args)throws InvalidFormatException, IOException {

// TODO Auto-generated method stub

SentenceDetect();

}

//Sentence Detector

publicstaticvoid SentenceDetect()throws InvalidFormatException,

IOException {

String paragraph ="Hi. How are you? This is Mike.";

// always start with a model, a model is learned from training data

InputStream is =new FileInputStream("en-sent.bin");

SentenceModel model =new SentenceModel(is);

SentenceDetectorMEsdetector =new SentenceDetectorME(model);

String sentences[] =sdetector.sentDetect(paragraph);

for(int i=0;i<sentences.length;i++)

{

System.out.println(sentences[i]);

}

4.结果"Hi. How are you? This is Mike."被分成两句。

句子切分成token（ Tokenizer）

1.下载en-token.bin，并复制到project中

2.在test类中添加下面的代码

publicstaticvoid Tokenize()throws InvalidFormatException, IOException {

InputStream is =new FileInputStream("en-token.bin");

TokenizerModel model =new TokenizerModel(is);

Tokenizer tokenizer =new TokenizerME(model);

String tokens[] = tokenizer.tokenize("Hi. How are you? This is Mike.");

for (String a : tokens)

System.out.println(a);

is.close();

}

3.运行结果

人名识别（ Name Finder）

1.下载en-ner-person.bin，并复制到project中
2.在test类中添加下面的代码

publicstaticvoid findName()throws IOException {

InputStream is =new FileInputStream("en-ner-person.bin");

TokenNameFinderModel model =new TokenNameFinderModel(is);

is.close();

NameFinderME nameFinder =new NameFinderME(model);

String []sentence =new String[]{

"Mike",

"Smith",

"David",

"is",

"a",

"good",

"person"

};

Span nameSpans[] = nameFinder.find(sentence);

for(Span s: nameSpans)

System.out.println(s.toString());

}