hanlp粉刺 博客分类: 开源框架 hanlp 分词 词频
public class AppTest extends TestCase { public static void test1(){ List<Term> stermList = HanLP.segment("商品和服务"); print(stermList); } //繁体分词 public void test2(){ List<Term> stermList = TraditionalChineseTokenizer.segment("大衛貝克漢不僅僅是一名著名球員"); print(stermList); } //N最短路分词器 NShortSegment 比最短路分词器( DijkstraSegment )慢,但是效果稍微好一些,对命名实体识别能力更强 public static void test3(){ Segment nShortSegment = new NShortSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true); Segment shortestSegment = new ViterbiSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true); String sentence = "刘喜杰石国祥会见吴亚琴先进事迹报告团成员"; print(nShortSegment.seg(sentence)); print(shortestSegment.seg(sentence)); } //中国人名识别 public static void test4(){ Segment segment = HanLP.newSegment().enableNameRecognize(true); List<Term> stermList = segment.seg("签约仪式前,秦光荣、李纪恒、仇和等一同会见了参加签约的企业家。"); print(stermList); } public static void print(List<Term> stermList) { for(Term t:stermList) { System.out.println(t.word); } } @Test //地名识别 public void test5(){ Segment segment = HanLP.newSegment().enablePlaceRecognize(true); List<Term> stermList = segment.seg("武胜县新学乡*大楼门前锣鼓喧天"); print(stermList); } //机构名识别 public static void test6(){ Segment segment = HanLP.newSegment().enableOrganizationRecognize(true); List<Term> stermList = segment.seg("我在上海林原科技有限公司工作"); print(stermList); } //关键词提取 public static void test7(){ String content = "程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员和程序编码人员,但两者的界限并不非常清楚,特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。"; content += "原告诉称,原告从土地改革时,就依法取得了岿美山镇寨头村排下组荷树岭山场,1985年仍依法取得荷树岭山场所有权,一直归原告管理,没有发生任何争执。2006年原告再次依法取得该山场。2009年初第三人突然提出该山场归其所有,与原告发生争执。原告申请被告调处,被告在没有任何事实和法律依据的情况下,以寨头村排下组三分之二村民同意争议山场归第三人为由,在第三人没有提供任何证据的情况下,将争议山场确定给第三人所有是明显袒护第三人。为此,请求法院:1.撤销岿府发[2009]46号信访事项办理意见书;2.依法确认岿美山镇寨头村排下组荷树岭山场归原告所有。"; System.out.println(HanLP.extractKeyword(content, 5)); //返回个数 } //自动摘要 public static void test8(){ String document = "算法可大致分为基本算法、数据结构的算法、数论算法、计算几何的算法、图的算法、动态规划以及数值分析、加密算法、排序算法、检索算法、随机化算法、并行算法、厄米变形模型、随机森林算法。\n" + "算法可以宽泛的分为三类,\n" + "一,有限的确定性算法,这类算法在有限的一段时间内终止。他们可能要花很长时间来执行指定的任务,但仍将在一定的时间内终止。这类算法得出的结果常取决于输入值。\n" + "二,有限的非确定算法,这类算法在有限的时间内终止。然而,对于一个(或一些)给定的数值,算法的结果并不是唯一的或确定的。\n" + "三,无限的算法,是那些由于没有定义终止定义条件,或定义的条件无法由输入的数据满足而不终止运行的算法。通常,无限算法的产生是由于未能确定的定义终止条件。"; System.out.println(HanLP.extractSummary(document, 3)); } //短语提取 public static void test9(){ String text1 = "算法工程师\n" + "算法(Algorithm)是一系列解决问题的清晰指令,也就是说,能够对一定规范的输入,在有限时间内获得所要求的输出。如果一个算法有缺陷,或不适合于某个问题,执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。算法工程师就是利用算法处理事物的人。\n" + "算法工程师逐渐往人工智能方向发展。"; System.out.println(HanLP.extractPhrase(text1, 5)); } //汉字转拼音 public static void test10(){ String text = "好好学习,天天向上!"; List<Pinyin> pinyinList = HanLP.convertToPinyinList(text); //拼音(数字音调) for (Pinyin pinyin : pinyinList) { System.out.printf("%s,", pinyin); } System.out.println(); //拼音(符号音调) for (Pinyin pinyin : pinyinList) { System.out.printf("%s,", pinyin.getPinyinWithToneMark()); } System.out.println(); //拼音(无音调) for (Pinyin pinyin : pinyinList) { System.out.printf("%s,", pinyin.getPinyinWithoutTone()); } System.out.println(); //声调 for (Pinyin pinyin : pinyinList) { System.out.printf("%s,", pinyin.getTone()); } System.out.println(); //声母 for (Pinyin pinyin : pinyinList) { System.out.printf("%s,", pinyin.getShengmu()); } System.out.println(); //韵母 for (Pinyin pinyin : pinyinList) { System.out.printf("%s,", pinyin.getYunmu()); } } //简繁转换 public static void test11(){ System.out.println(HanLP.convertToTraditionalChinese("用笔记本电脑写程序")); System.out.println(HanLP.convertToSimplifiedChinese("「以後等妳當上皇后,就能買士多啤梨慶祝了」")); } //文本推荐 public static void test12(){ Suggester suggester = new Suggester(); String text = "威廉王子发表演说 呼吁保护野生动物,《时代》年度人物最终入围名单出炉 普京马云入选,“黑格比”横扫菲:菲吸取“海燕”经验及早疏散,日本保密法将正式生效 日媒指其损害国民知情权,英报告说空气污染带来“公共健康危机,明天我要拿刀砍死这个王八"; String[] arr = text.split("[。?!,;]"); for(String s : arr){ suggester.addSentence(s); // System.out.println(s); } // System.out.println(suggester.suggest("发言", 1)); //语义 // System.out.println(suggester.suggest("危机公共", 1)); //字符 System.out.println(suggester.suggest("损坏", 1)); //字符 // System.out.println(suggester.suggest("mayun", 1)); //拼音 // System.out.println(suggester.suggest("扬言", 1)); //扬言 } @Test public void testSuggest() { Suggester suggester = new Suggester(); String[] titleArray = ( "威廉王子发表演说 呼吁保护野生动物\n" + "《时代》年度人物最终入围名单出炉 普京马云入选\n" + "“黑格比”横扫菲:菲吸取“海燕”经验及早疏散\n" + "日本保密法将正式生效 日媒指其损害国民知情权\n" + "人工智能如今是非常火热的一门技术”" ).split("\\n"); for (String title : titleArray) { suggester.addSentence(title); } System.out.println(suggester.suggest("机器学习", 1)); // 语义 System.out.println(suggester.suggest("危机公共", 1)); // 字符 System.out.println(suggester.suggest("mayun", 1)); // 拼音 } @Test public void testKeyExtract() { String content = "苹果公司( Apple Inc. )是美国一家高科技公司。由史蒂夫·乔布斯、斯蒂夫·沃兹尼亚克和罗·韦恩(Ron Wayne)等人于 1976 年 4 月 1 日创立," + "并命名为美国苹果电脑公司( Apple Computer Inc. ),2007 年 1 月 9 日更名为苹果公司,总部位于加利福尼亚州的库比蒂诺。"; List<String> keywordList = HanLP.extractKeyword(content, 5); System.out.println(keywordList); } }
HanLP 能够提供自然语言处理,中文分词,词性标注,命名实体识别,依存句法分析,关键词提取,自动摘要,短语提取,拼音,简繁转换等特性。本文主要是 HanLP 的入门介绍篇。 HanLP 全称是Han Language Processing,中文为:汉语言处理包。 HanLP是由一系列模型与算法组成的Java工具包,目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。 HanLP提供下列功能: 中文分词 词性标注 命名实体识别 关键词提取 自动摘要 短语提取 拼音转换 简繁转换 文本推荐 依存句法分析 语料库工具 其中中文分词有6种处理算法: 最短路分词 N-最短路分词 CRF分词 索引分词 极速词典分词 用户自定义词典 命名实体识别也有5中算法: 中国人名识别 音译人名识别 日本人名识别 地名识别 实体机构名识别 关键词提取主要算法是:TextRank关键词提取。自动摘要主要是TextRank自动摘要算法。还有基于互信息和左右信息熵的短语提取算法。 拼音转换方面有: 多音字 声母 韵母 声调 简繁转换 繁体中文分词 简繁分歧词(简体、繁体、*正體、香港繁體) 文本推荐 语义推荐 拼音推荐 字词推荐 依存句法分析 基于神经网络的高性能依存句法分析器 MaxEnt依存句法分析 CRF依存句法分析 语料库工具 分词语料预处理 词频词性词典制作 BiGram统计 词共现统计 CoNLL语料预处理 CoNLL UA/LA/DA评测工具 目前 HanLP 汉语言处理包在 github 上开源以来,累计 star 已快突破5000了。在提供丰富功能的同时,HanLP内部模块坚持低耦合、模型坚持惰性加载、服务坚持静态提供、词典坚持明文发布,使用非常方便,同时自带一些语料处理工具,帮助用户训练自己的模型