"结巴"中文分词的C++版本
Switch branches/tags
Nothing to show
Pull request Compare This branch is 650 commits behind yanyiwu:master.
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Failed to load latest commit information.
cppcommon
cppjieba
demo
dicts
scripts
.gitignore
LICENSE
README.md

README.md

#CppJieba是"结巴"中文分词的C++版本

中文编码

现在支持utf8,gbk编码的分词。

  • master分支支持utf8编码
  • gbk分支支持gbk编码

模块详解

Trie树

Trie.cpp/Trie.h 负责载入词典的trie树,主要供Segment模块使用。

Segment模块

MPSegment.cpp/MPSegment.h (Maximum Probability)最大概率法:负责根据Trie树构建有向无环图和进行动态规划算法,是分词算法的核心。

HMMSegment.cpp/HMMSegment.h 是根据HMM模型来进行分词,主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态。 HMM模型由dicts/下面的hmm_model.utf8提供。 分词算法即viterbi算法。

TransCode模块

TransCode.cpp/TransCode.h 负责转换编码类型,将utf8和gbk转换成uint16_t类型,也负责逆转换。

Demo

MPSegment's demo

这部分的功能经过线上考验,一直稳定运行,暂时没有发现什么bug。

cd ./demo;
make;
./segment_demo testlines.utf8

Output:

我来到北京清华大学
我/来到/北京/清华大学

他来到了网易杭研大厦
他/来到/了/网易/杭/研/大厦

小明硕士毕业于中国科学院计算所,后在日本京都大学深造
小/明/硕士/毕业/于/中国科学院/计算所/,/后/在/日本京都大学/深造

我来自北京邮电大学。。。学号091111xx。。。
我/来自/北京邮电大学/。。。/学/号/091111xx/。。。

HMMSegment's demo

cd ./demo;
make;
./segment_demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutHMM

Output:

我来到北京清华大学
我来/到/北京/清华大学
他来到了网易杭研大厦
他来/到/了/网易/杭/研大厦
小明硕士毕业于中国科学院计算所,后在日本京都大学深造
小明/硕士/毕业于/中国/科学院/计算所/,/后/在/日/本/京/都/大/学/深/造
我来自北京邮电大学。。。学号091111xx。。。
我来/自北京/邮电大学/。。。/学号/091111xx/。。。

MixSegment's demo

cd ./demo;
make;
./segment_demo testlines.utf8 --algorithm cutMix

Output:

我来到北京清华大学
我/来到/北京/清华大学
他来到了网易杭研大厦
他/来到/了/网易/杭研/大厦
杭研
杭研
小明硕士毕业于中国科学院计算所,后在日本京都大学深造
小明/硕士/毕业/于/中国科学院/计算所/,/后/在/日本京都大学/深造
我来自北京邮电大学。。。学号091111xx。。。
我/来自/北京邮电大学/。。。/学号/091111xx/。。。

效果分析

以上依次是MP,HMM,Mix三种方法的效果。
可以看出效果最好的是Mix,也就是融合MP和HMM的切词算法。即可以准确切出词典已有的词,又可以切出像"杭研"这样的未登录词。

Help

本项目主要是如下目录组成:

cppcommon

主要是一些工具函数,例如字符串操作等。
make 之后产生一个libcm.a
要使用该libcm.a 只需要在代码里面增加

#include "cppcommon/headers.h"  
using namespace CPPCOMMON;  

在链接时候-Lcppcommon -lcm 链接进即可。
详细使用细节请参见demo/目录下的代码

cppjieba

核心目录,包含主要源代码。 make 之后产生libcppjieb.a 使用方法参考如上cppcommon

run ./segment_demo to get help.

如下:

usage:
        ./segment_demo[options] <filename>
options:
        --algorithm     Supported methods are [cutDAG, cutHMM, cutMix] for now.
                        If not specified, the default is cutDAG
        --dictpath      If not specified, the default is ../dicts/jieba.dict.utf8
        --modelpath     If not specified, the default is ../dicts/hmm_model.utf8
                        If not specified, the default is utf8.
example:
        ./segment_demo testlines.utf8 --dictpath ../dicts/jieba.dict.utf8
        ./segment_demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutHMM
        ./segment_demo testlines.utf8 --modelpath ../dicts/hmm_model.utf8 --algorithm cutMix

分词速度

MixSegment

分词速度大概是 62M / 54sec = 1.15M/sec 测试环境: Intel(R) Xeon(R) CPU E5506 @ 2.13GHz

Contact

如果有运行问题或者任何疑问,欢迎联系 : wuyanyi09@gmail.com

Thanks

"结巴中文"分词作者: SunJunyi
https://github.com/fxsjy/jieba

顾名思义,之所以叫CppJieba,就是边参照边膜拜SunJunyi大神的Jieba分词Python程序写成的,所以饮水思源,再次感谢SunJunyi。