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中文的分詞包，簡單易懂，分詞是一個非常重要的步驟，可以通過一些字典，進行特定分詞。大致分析步驟如下：

數據導入——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小的不同：

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

而`jieba`分詞包不會去掉任何符號，而且返回的結果里面也會有符號。

所以在小文本準確性上可能`Rwordseg`就會有“可以忽視”的誤差，但是文本挖掘都是大規模的文本處理，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，倒不如提前把符號去掉了，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（準確率、分詞速度、新詞識別等，最棒）
mmseg4j（切分速度、準確率較高）
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R環境下的中文分詞工具，使用 rJava 調用 Java 分詞工具 Ansj。

Ansj 也是一個開源的 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Java版本， 并且全部開源，使得 Ansi 可用于人名識別、地名識別、組織機構名識別、多級詞性標注、 關鍵詞提取、指紋提取等領域，支持行業詞典、 用戶自定義詞典。

1、分詞原理

n-Gram+CRF+HMM的中文分詞的java實現.

分詞速度達到每秒鐘大約200萬字左右（mac air下測試），準確率能達到96%以上

目前實現了.中文分詞. 中文姓名識別 . 用戶自定義詞典,關鍵字提取，自動摘要，關鍵字標記等功能

可以應用到自然語言處理等方面,適用于對分詞效果要求高的各種項目.

該算法實現分詞有以下幾個步驟：

1、全切分，原子切分；

2、 N最短路徑的粗切分，根據隱馬爾科夫模型和viterbi算法，達到最優路徑的規劃；

3、人名識別；

4、 系統詞典補充；
5、 用戶自定義詞典的補充；
6、 詞性標注（可選） 

2、Ansj分詞的準確率

這是我采用人民日報1998年1月語料庫的一個測試結果，首先要說明的是這份人工標注的語料庫本身就有錯誤。
    P（準確率）：0.984887218571267

  R（召回率）：0.9626488103178712

    F（綜合指標F值）：0.9736410471396494

3、歧義詞、未登錄詞的表現

歧異方面的處理方式自我感覺還可以，基于“最佳實踐規則+統計”的方式，雖然還有一部分歧異無法識別，但是已經完全能滿足工程應用了。

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

4、算法效率

在我的測試中，Ansj的效率已經遠超ictclas的其他開源實現版本。
核心詞典利用雙數組規劃，每秒鐘能達到千萬級別的粗分。在我的MacBookAir上面，分詞速度大約在300w/字/秒，在酷睿i5+4G內存組裝機器上，更是達到了400w+/字/秒的速度。數據分析師培訓