Ansj中文分词 for JRuby

引用原项目摘要

这是一个基于 n-Gram + CRF + HMM 的中文分词的 Java 实现。

分词速度达到每秒钟大约 200万字左右（原作者 MacbookAir 下测试），准确率能达到 96% 以上

目前实现了中文分词、中文姓名识别、用户自定义词典、关键字提取、自动摘要、关键字标记等功能。

可以应用到自然语言处理等方面，适用于对分词效果要求高的各种项目。

Read Ansj中文分词 docs for more details: http://nlpchina.github.io/ansj_seg

Installing

Add to your Gemfile:

gem 'ansj_seg'

Then bundle install.

Or install it yourself as:

$ gem install ansj_seg

Usage

require 'jrjackson' # 可选项， JRuby 下最快的 json 解析器， 需要提前：gem install jrjackson -V 
require 'ansj_seg'

# 设置用户（默认）词典
AnsjSeg::Config::DIC['dic'] = '/Users/howl/Desktop/library/default.dic'
# 设置用户自定义词典，key 的规则是以 dic_ 为前缀
AnsjSeg::Config::DIC['dic_souhu'] = '/Users/howl/Desktop/library/souhu.dic'
# 设置CRF模型，用户自定义CRF模型时，key 的规则是以 crf_ 为前缀
AnsjSeg::Config::CRF['crf'] = '/Users/howl/Desktop/library/crf.model'
# 设置歧义词典
AnsjSeg::Config.ambiguityLibrary = '/Users/howl/Desktop/library/ambiguity.dic'

# 设置过滤器(过滤：词性为空或标点，是和的)
AnsjSeg.fitler.ignore(natures: ['null', 'w'], words: ['是', '的'])

text = "Ruby China，对！没错！这里就是 Ruby 社区，目前这里已经是国内最权威的 Ruby 社区，拥有国内所有资深的 Ruby 工程师。"

# 分词
# 第二个参数可选：:to, :nlp, :index 三种分词模式
text.to_a(:terms) # text.to_a(:terms, :nlp)

[
  {:name=>"ruby", :natureStr=>"en", :newWord=>false, :offe=>0, :realName=>"ruby"},
  {:name=>"china", :natureStr=>"en", :newWord=>false, :offe=>5, :realName=>"china"},
  {:name=>"对", :natureStr=>"p", :newWord=>false, :offe=>11, :realName=>"对"},
  {:name=>"没错", :natureStr=>"v", :newWord=>false, :offe=>13, :realName=>"没错"},
  {:name=>"这里", :natureStr=>"r", :newWord=>false, :offe=>16, :realName=>"这里"},
  {:name=>"就", :natureStr=>"d", :newWord=>false, :offe=>18, :realName=>"就"},
  {:name=>"ruby", :natureStr=>"en", :newWord=>false, :offe=>21, :realName=>"ruby"},
  {:name=>"社区", :natureStr=>"n", :newWord=>false, :offe=>26, :realName=>"社区"},
  {:name=>"目前", :natureStr=>"t", :newWord=>false, :offe=>29, :realName=>"目前"},
  {:name=>"这", :natureStr=>"r", :newWord=>false, :offe=>31, :realName=>"这"},
  {:name=>"里", :natureStr=>"f", :newWord=>false, :offe=>32, :realName=>"里"},
  {:name=>"已经", :natureStr=>"d", :newWord=>false, :offe=>33, :realName=>"已经"},
  {:name=>"国内", :natureStr=>"s", :newWord=>false, :offe=>36, :realName=>"国内"},
  {:name=>"最", :natureStr=>"d", :newWord=>false, :offe=>38, :realName=>"最"},
  {:name=>"权威", :natureStr=>"n", :newWord=>false, :offe=>39, :realName=>"权威"},
  {:name=>"ruby", :natureStr=>"en", :newWord=>false, :offe=>43, :realName=>"ruby"},
  {:name=>"社区", :natureStr=>"n", :newWord=>false, :offe=>48, :realName=>"社区"},
  {:name=>"拥有", :natureStr=>"v", :newWord=>false, :offe=>51, :realName=>"拥有"},
  {:name=>"国内", :natureStr=>"s", :newWord=>false, :offe=>53, :realName=>"国内"},
  {:name=>"所有", :natureStr=>"b", :newWord=>false, :offe=>55, :realName=>"所有"},
  {:name=>"资深", :natureStr=>"b", :newWord=>false, :offe=>57, :realName=>"资深"},
  {:name=>"ruby", :natureStr=>"en", :newWord=>false, :offe=>61, :realName=>"ruby"},
  {:name=>"工程师", :natureStr=>"n", :newWord=>false, :offe=>66, :realName=>"工程师"}
]

# 提取关键词
# 第二个参数定义分词个数，默认：20
text.to_a(:words) # text.to_a(:words, 5)

[
  {:freq=>2, :name=>"这里", :score=>16.315514814428745},
  {:freq=>2, :name=>"社区", :score=>14.99970404519092},
  {:freq=>2, :name=>"国内", :score=>13.684318222044968},
  {:freq=>1, :name=>"目前", :score=>5.3946562994797125},
  {:freq=>1, :name=>"已经", :score=>4.868333845606951},
  {:freq=>1, :name=>"权威", :score=>4.078866889481741},
  {:freq=>1, :name=>"所有", :score=>1.973668895869867},
  {:freq=>1, :name=>"资深", :score=>1.7105130430872182},
  {:freq=>1, :name=>"没错", :score=>1.4999705998354727},
  {:freq=>1, :name=>"就是", :score=>1.3683942314288522},
  {:freq=>1, :name=>"工程师", :score=>0.5263054050944183},
  {:freq=>1, :name=>"拥有", :score=>0.4999901999451576}
]

PS. Built and tested on JRuby 9.1.6