R語言文本挖掘之中文分詞包—Rwordseg包(原理、功能、詳解)

與前面的RsowballC分詞不同的地方在于這是一個(gè)中文的分詞包，簡(jiǎn)單易懂，分詞是一個(gè)非常重要的步驟，可以通過一些字典，進(jìn)行特定分詞。大致分析步驟如下：

數(shù)據(jù)導(dǎo)入——選擇分詞字典——分詞

但是下載步驟比較繁瑣，可參考之前的博客： R語言·文本挖掘︱Rwordseg/rJava兩包的安裝（安到吐血）

——————————————————————————————————

Rwordseg與jiebaR分詞之間的區(qū)別

中文分詞比較有名的包非`Rwordseg`和`jieba`莫屬，他們采用的算法大同小異，這里不再贅述，我主要講一講他們的另外一個(gè)小的不同：

`Rwordseg`在分詞之前會(huì)去掉文本中所有的符號(hào)，這樣就會(huì)造成原本分開的句子前后相連，本來是分開的兩個(gè)字也許連在一起就是一個(gè)詞了，

而`jieba`分詞包不會(huì)去掉任何符號(hào)，而且返回的結(jié)果里面也會(huì)有符號(hào)。

所以在小文本準(zhǔn)確性上可能`Rwordseg`就會(huì)有“可以忽視”的誤差，但是文本挖掘都是大規(guī)模的文本處理，由此造成的差異又能掀起多大的漣漪，與其分詞后要整理去除各種符號(hào)，倒不如提前把符號(hào)去掉了，所以我們才選擇了`Rwordseg`。

來看一下這篇論文一些中文分詞工具的性能比較《開源中文分詞器的比較研究_黃翼彪，2013》

8款中文分詞器的綜合性能排名：
Paoding（準(zhǔn)確率、分詞速度、新詞識(shí)別等，最棒）
mmseg4j（切分速度、準(zhǔn)確率較高）
IKAnalyzer
Imdict-chinese-analyzer
Ansj
盤古分詞
Httpcws
jieba

——————————————————————————————————

Rwordseg分詞原理以及功能詳情

Rwordseg 是一個(gè)R環(huán)境下的中文分詞工具，使用 rJava 調(diào)用 Java 分詞工具 Ansj。

Ansj 也是一個(gè)開源的 Java 中文分詞工具，基于中科院的 ictclas 中文分詞算法， 采用隱馬爾科夫模型（Hidden Markov Model, HMM）。作者孫健重寫了一個(gè)Java版本， 并且全部開源，使得 Ansi 可用于人名識(shí)別、地名識(shí)別、組織機(jī)構(gòu)名識(shí)別、多級(jí)詞性標(biāo)注、 關(guān)鍵詞提取、指紋提取等領(lǐng)域，支持行業(yè)詞典、 用戶自定義詞典。

1、分詞原理

n-Gram+CRF+HMM的中文分詞的java實(shí)現(xiàn).

分詞速度達(dá)到每秒鐘大約200萬字左右（mac air下測(cè)試），準(zhǔn)確率能達(dá)到96%以上

目前實(shí)現(xiàn)了.中文分詞. 中文姓名識(shí)別 . 用戶自定義詞典,關(guān)鍵字提取，自動(dòng)摘要，關(guān)鍵字標(biāo)記等功能

可以應(yīng)用到自然語言處理等方面,適用于對(duì)分詞效果要求高的各種項(xiàng)目.

該算法實(shí)現(xiàn)分詞有以下幾個(gè)步驟：

1、全切分，原子切分；

2、 N最短路徑的粗切分，根據(jù)隱馬爾科夫模型和viterbi算法，達(dá)到最優(yōu)路徑的規(guī)劃；

3、人名識(shí)別；

4、 系統(tǒng)詞典補(bǔ)充；
5、 用戶自定義詞典的補(bǔ)充；
6、 詞性標(biāo)注（可選） 

2、Ansj分詞的準(zhǔn)確率

這是我采用人民日?qǐng)?bào)1998年1月語料庫的一個(gè)測(cè)試結(jié)果，首先要說明的是這份人工標(biāo)注的語料庫本身就有錯(cuò)誤。
    P（準(zhǔn)確率）：0.984887218571267

  R（召回率）：0.9626488103178712

    F（綜合指標(biāo)F值）：0.9736410471396494

3、歧義詞、未登錄詞的表現(xiàn)

歧異方面的處理方式自我感覺還可以，基于“最佳實(shí)踐規(guī)則+統(tǒng)計(jì)”的方式，雖然還有一部分歧異無法識(shí)別，但是已經(jīng)完全能滿足工程應(yīng)用了。

至于未登錄詞的識(shí)別，目前重點(diǎn)做了中文人名的識(shí)別，效果還算滿意，識(shí)別方式用的“字體+前后監(jiān)督”的方式，也算是目前我所知道的效果最好的一種識(shí)別方式了。

4、算法效率

在我的測(cè)試中，Ansj的效率已經(jīng)遠(yuǎn)超ictclas的其他開源實(shí)現(xiàn)版本。
核心詞典利用雙數(shù)組規(guī)劃，每秒鐘能達(dá)到千萬級(jí)別的粗分。在我的MacBookAir上面，分詞速度大約在300w/字/秒，在酷睿i5+4G內(nèi)存組裝機(jī)器上，更是達(dá)到了400w+/字/秒的速度。數(shù)據(jù)分析師培訓(xùn)