8000 GitHub - hexsir/cppjieba at gbk
[go: up one dir, main page]
More Web Proxy on the site http://driver.im/
Skip to content

hexsir/cppjieba

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

CppJieba是"结巴"中文分词的C++库

中文编码

master分支为utf8编码,此分支支持gbk编码。

GBK版本的Demo

MPSegment's demo

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

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

HMMSegment's demo

cd ./demo;
make;
./segment_demo testlines.gbk --modelpath ../dicts/hmm_model.gbk --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

MixSegment's demo

cd ./demo;
make;
./segment_demo testlines.gbk --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

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。

其它详见master分支的README.md

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。

About

"结巴"中文分词的C++版本

Resources

Stars

Watchers

Forks

Packages

No packages published

Languages

  • C++ 98.5%
  • CMake 1.5%
0