MYNLP 中文NLP工具包

一个高性能、模块化、可扩展的中文NLP工具包

更多使用介绍阅读Wiki文档

微信jimichan,备注mynlp，加入微信交流群。

mynlp是一个高性能、模块化、可扩展的中文NLP工具包。内容如下：

• 中文分词

  • CORE分词

    • 二元语言模型 + viterbi解码算法 + 基础规则（数字、英文、日期..。_
    • 高性能：速度200万+字/秒(2.6GHz Intel i7)

  • CWS分词

    基于感知机序列标注算法 + 基础规则。_

  • CRF分词

    高性能CRF解码器 + 基础规则。

  • 人名识别

    基于感知机实现，高准确率，高性能，自动排除歧义。

  • NER命名实体识别

  • 自定义功能

    自定义词库、分词纠错

  • 柔性API和PIPELINE设计模式

    自由组合和扩展分词逻辑需求

• 词性标注

  基于感知机的词性标注

• 新词发现(未发布)

  可小内存上运行大数据集，完美超高性能

• 拼音转换

  文字转拼音，好用的API

• 文本分类

  基于fastText Java原生实现

• 简繁体转换

• 感知机通用接口

  提供一个通用的感知机基础API

• 文本摘要

  简单的文本摘要实现

• 基础架构

  • 统一资源加载
  • 可扩展的资源加载API
  • 基于GUICE的IOC实现可插拔的组件开发
  • 高性能、易扩展的基础数据结构

• 词典和语料库资源

  • 二元模型
    • 二元模型词数量达20万+
    • 二元接续词配对数量485万+(Hanlp对应资源大概290万+)
  • 感知机模型
    • 训练语料库字数7000万+
  • 词性标注
    • 训练语料库字数3000万+
  • 人名识别
    • 训练语料库字数3000万+
  • 地名、组织机构名
    • 训练语料库字数3000万+
  • 语料库来源
    • 公开语料库
      • 收集的互联网资源
    • 自建语料库
      • 数据为人民日报2014，通过Hanlp、中科院等多种分词器自动切分对比差异，再经过10人5个月时间修复、校验 后获得的分词语料库。（准备在mynlp具备一定用户量之后再开源）

Getting Started

非常易用，只需要1分钟你就可以体验mynlp。没有配置，无需手动下载资源文件，只需要依赖添加依赖包，写两行代码。

Requirements

您需要 JAVA1.8+ 运行环境

Installation

mynlp的jar已经发布到Maven中央仓库，在您的项目中依赖mynlp-all.jar最新版本。

GRADLE

    compile 'com.mayabot.mynlp:mynlp-all:2.0.0'

或者MAVEN

<dependency>
  <groupId>com.mayabot.mynlp</groupId>
  <artifactId>mynlp-all</artifactId>
  <version>2.0.0</version>
</dependency>

中文分词示例

MynlpTokenizer tokenizer = Tokenizers.coreTokenizer();
Sentence sentence = tokenizer.parse("mynlp是mayabot开源的中文NLP工具包。");
System.out.println(sentence.asWordList());

输出：

[mynlp/x, 是/v, mayabot/x, 开源/v, 的/u, 中文/nz, nlp/x, 工具包/n, 。/w]

mynlp的发行jar里面是不包含资源文件的，在运行时如果发现本地mynlp.data目录夹没有对应资源时会自动从cdn上下载资源JAR文件，
所以第一次运行需要您电脑可以访问互联网。
默认mynlp.data文件夹的位置在~/.mynlp.data，mac系统下为隐藏文件夹，可以通过Command+Shift+G访问。

详细文档请移步WIKI

联系和交流

MYNLP的发展和持续离不开大家的支持，所以建立了微信群方便大家及时沟通交流，有需要的同学可以添加我微信jimichan,备注mynlp。

声明和致谢

mynlp开发之初是对Hanlp和ansj项目的重构整理，通过多次迭代和项目需求驱动实践，逐渐发展为目前自有的架构体系。 向HanLP和ansj在中文NLP开源中做出的贡献致敬！

mynlp项目参考了以下项目：

• HanLP
• ansj_seg