V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
The Go Programming Language
http://golang.org/
Go Playground
Go Projects
Revel Web Framework
vway
V2EX  ›  Go 编程语言

Gse v0.20.0 发布了, Go 高性能分词,  优化性能和代码, 更多测试

  •  
  •   vway ·
    vcaesar · 2018-10-10 03:16:07 +08:00 · 3484 次点击
    这是一个创建于 2266 天前的主题,其中的信息可能已经有所发展或是发生改变。

    Go 语言高效分词, 支持英文、中文、日文等

    词典用双数组 trie ( Double-Array Trie )实现, 分词器算法为基于词频的最短路径加动态规划。

    支持普通和搜索引擎两种分词模式,支持用户词典、词性标注,可运行 JSON RPC 服务。

    项目地址: https://github.com/go-ego/gse

    package main
    
    import (
        "fmt"
    
        "github.com/go-ego/gse"
    )
    
    func main() {
        var seg gse.Segmenter
        seg.LoadDict("zh,testdata/test_dict.txt,testdata/test_dict1.txt")
    
        text1 := []byte("你好世界, Hello world")
    
        segments := seg.Segment(text1)
        fmt.Println(gse.ToString(segments))
    }
    

    Lethe River

    Add

    • [NEW] Add slice() and string() func and test
    • [NEW] Add more test
    • [NEW] Optimize textSliceToString splicing speed
    • [NEW] Update LoadDict() log.Printf and optimize read dict log
    • [NEW] Add ToString() and ToSlice() default value and update test
    • [NEW] ToString and ToSlice use return not use else and update code
    • [NEW] Update sever code
    • [NEW] Add token equals() func and test
    • [NEW] Add search mode example
    • [NEW] Optimize file defer close
    • [NEW] Segment return use nil not empty array
    • [NEW] Update pkg to newest ( optimize cedar code )

    • [NEW] Update and refactoring segment test code
    • [NEW] Update dictionary and static demo
    • [NEW] Refactoring gse benchmark code
    • [NEW] Update and simplify test code

    Update

    • [NEW] Update issue template more obvious
    • [NEW] Update godoc, pull_request_template.md and issue_template.md
    • [NEW] Update README.md Uniform name
    • [NEW] Update godoc
    • [NEW] Update Update README.md add searchMode docs
    • [NEW] Optimize Japanese subparticipation errors
    • [NEW] Update code style and name style
    • [NEW] Update examples and benchmark code
    • [NEW] Add Travis ci go1.11 support

    Fix

    • [FIX] Update examples lang fix #4
    • [FIX] Fix typo for example
    • [FIX] Fix LoadDict() godoc error
    • [FIX] Fix sub-word error
    • [FIX] Fix dict is nil segmentWords panic nil pointer
    • [FIX] Update README.md Fixed Release badge

    See Commits for more details, after Apr 27.

    10 条回复    2018-10-10 20:09:54 +08:00
    yanaraika
        1
    yanaraika  
       2018-10-10 06:51:49 +08:00
    8102 年了,至少用个马尔可夫吧
    vway
        2
    vway  
    OP
       2018-10-10 08:43:03 +08:00
    @yanaraika 后面会考虑加上 HMM
    JeffKing
        3
    JeffKing  
       2018-10-10 08:55:48 +08:00 via iPhone
    8102 了,至少用 crf 分词吧
    enenaaa
        4
    enenaaa  
       2018-10-10 09:31:14 +08:00
    词频是用什么语料统计的?
    dilu
        5
    dilu  
       2018-10-10 09:51:50 +08:00
    先支持楼主一个,顺便想问问有没有什么学习分词的资料可以分享一波,对这个很感兴趣。
    realpg
        6
    realpg  
       2018-10-10 10:36:13 +08:00
    英文分词难道不是应该基于空格标点么
    vway
        7
    vway  
    OP
       2018-10-10 19:21:47 +08:00
    @JeffKing 🤦‍♀️, 会考虑的加上
    vway
        8
    vway  
    OP
       2018-10-10 20:07:33 +08:00
    @realpg 目前主要的还是对一些终止符做一些优化
    vway
        9
    vway  
    OP
       2018-10-10 20:08:33 +08:00
    @dilu Baidu 或 Google 有很多资料
    vway
        10
    vway  
    OP
       2018-10-10 20:09:54 +08:00
    @enenaaa 结巴分词的
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   952 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 20ms · UTC 19:18 · PVG 03:18 · LAX 11:18 · JFK 14:18
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.