ElasticSearch 中文分词器对比
2021-02-28 本文已影响0人
阳关彩虹小白马
常用的中文分词器
- Smart Chinese Analysis：官方提供的中文分词器，不好用。
- IK Analyzer：免费开源的java分词器，目前比较流行的中文分词器之一，简单、稳定，想要特别好的效果，需要自行维护词库，支持自定义词典。
- 结巴分词：开源的python分词器，github有对应的java版本，有自行识别新词的功能，支持自定义词典。
- Ansj中文分词：基于n-Gram+CRF+HMM的中文分词的java实现，免费开源，支持应用自然语言处理。
- hanlp：免费开源，国人自然处理语言牛人无私奉献的。
对以上分词器进行了一个粗略对比：
| 分词器 | 优势 | 劣势 |
|---|---|---|
| Smart Chinese Analysis | 官方插件 | 中文分词效果惨不忍睹 |
| IK Analyzer | 简单易用，支持自定义词典和远程词典 | 词库需要自行维护，不支持词性识别 |
| 结巴分词 | 新词识别功能 | 不支持词性识别 |
| Ansj中文分词 | 分词精准度不错，支持词性识别 | 对标hanlp词库略少，学习成本高 |
| Hanlp | 目前词库最完善，支持的特性非常多 | 需要更优的分词效果，学习成本高 |
截止到目前为止，他们的分词准确性从高到低依次是:
hanlp > ansj > 结巴 > IK > Smart Chinese Analysis
结合准确性来看，选用中文分词器基于以下考虑:
-
官方的Smart Chinese Analysis直接可以不考虑了
-
对搜索要求不高的建议选用 IK 学习成本低，使用教程多，还支持远程词典
-
对新词识别要求高的选用结巴分词
-
Ansj和hanlp均基于自然处理语言，分词准确度高，活跃度来讲hanlp略胜一筹
IK Analyzer
截止目前，IK分词器插件的优势是支持自定义热更新远程词典。
IK分词器的github地址：
hanlp 中文分词器
hanlp中文分词器的官网为:
hanlp中文分词器的github地址为:
