分詞技術是一種比較基礎的模塊，就英文而言，詞與詞之間通常由空格分開，因此英文分詞則要簡單的多，但中文和英文的詞是有區(qū)別的，再加上中國文化的博大精深，分詞的時候要考慮的情況比英文分詞要復雜的多，如果處理不好就會直接影響到后續(xù)詞性標注、句法分析等的準確性，

目前，我們最常用的分詞工具大概有四種哈工大LTP、中科院計算所NLPIR、清華大學THULAC和jieba。

不過最近，北大開源了一個中文分詞工具包，名為 ——PKUSeg，基于Python。據介紹其準確率秒殺THULAC和結巴分詞等工具。

一經開源，pkuseg已經在GitHub上獲得1738個Star，244個Fork（GitHub地址：https://github.com/lancopku/PKUSeg-python）

pkuseg具有如下幾個特點：

多領域分詞：不同于以往的通用中文分詞工具，此工具包同時致力于為不同領域的數據提供個性化的預訓練模型。根據待分詞文本的領域特點，用戶可以自由地選擇不同的模型。 我們目前支持了新聞領域，網絡文本領域和混合領域的分詞預訓練模型，同時也擬在近期推出更多的細領域預訓練模型，比如醫(yī)藥、旅游、專利、小說等等。

更高的分詞準確率：相比于其他的分詞工具包，當使用相同的訓練數據和測試數據，pkuseg可以取得更高的分詞準確率。

支持用戶自訓練模型：支持用戶使用全新的標注數據進行訓練。

各類分詞工具包的性能對比

前面有提到說pkuseg的準確率遠超其他分詞工具包，現(xiàn)在就是用數據說話的時候了，下面就是在 Linux 環(huán)境下，各工具在新聞數據 (MSRA) 和混合型文本 (CTB8) 數據上的準確率測試情況

測試使用的是第二屆國際漢語分詞評測比賽提供的分詞評價腳本，從上圖看出結巴分詞準確率最低，

跨領域測試結果

以下是在其它領域進行測試，以模擬模型在“黑盒數據”上的分詞效果。

默認模型在不同領域的測試效果

以下是各個工具包的默認模型在不同領域的測試效果

使用方式

代碼示例1：使用默認模型及默認詞典分詞

importpkusegseg=pkuseg.pkuseg()#以默認配置加載模型text=seg.cut('我愛北京***')#進行分詞print(text)

代碼示例2：設置用戶自定義詞典

importpkuseglexicon=['北京大學','北京***']#希望分詞時用戶詞典中的詞固定不分開seg=pkuseg.pkuseg(user_dict=lexicon)#加載模型，給定用戶詞典text=seg.cut('我愛北京***')#進行分詞print(text)

代碼示例3：使用其它模型

importpkusegseg=pkuseg.pkuseg(model_name='./ctb8')#假設用戶已經下載好了ctb8的模型#并放在了'./ctb8'目錄下，通過設置model_name加載該模型text=seg.cut('我愛北京***')#進行分詞print(text)

代碼示例4：對文件分詞

importpkusegpkuseg.test('input.txt','output.txt',nthread=20)#對input.txt的文件分詞輸出到output.txt中，#使用默認模型和詞典，開20個進程

代碼示例5：訓練新模型

importpkuseg#訓練文件為'msr_training.utf8'#測試文件為'msr_test_gold.utf8'#模型存到'./models'目錄下，開20個進程訓練模型pkuseg.train('msr_training.utf8','msr_test_gold.utf8','./models',nthread=20)

此外，pkuseg提供了三種在不同類型數據上訓練得到的模型，根據具體需要，用戶可以選擇不同的預訓練模型：

MSRA：在MSRA（新聞語料）上訓練的模型。

下載地址：https://pan.baidu.com/s/1twci0QVBeWXUg06dK47tiA

CTB8：在CTB8（新聞文本及網絡文本的混合型語料）上訓練的模型。隨pip包附帶的是此模型。

下載地址：https://pan.baidu.com/s/1DCjDOxB0HD2NmP9w1jm8MA

WEIBO：在微博（網絡文本語料）上訓練的模型。

下載地址：https://pan.baidu.com/s/1QHoK2ahpZnNmX6X7Y9iCgQ

最后附上前面提到的另外四大分詞工具的GitHub地址：

1、LTP：https://github.com/HIT-SCIR/ltp

2、NLPIR：https://github.com/NLPIR-team/NLPIR

3、THULAC：https://github.com/thunlp/THULAC

4、jieba：https://github.com/yanyiwu/cppjieba