中文分詞工具thulac4j發布

1. 介紹

thulac4j是THULAC的Java 8工程化實現，具有分詞速度快、准、強的特點；支持

• 自定義詞典
• 繁體轉簡體
• 停用詞過濾

若想在項目中使用thulac4j，可添加依賴：

<dependency>
  <groupId>io.github.yizhiru</groupId>
  <artifactId>thulac4j</artifactId>
  <version>${thulac4j.version}</version>
</dependency>

thulac4j支持中文分詞與詞性標注，使用示例如下：

String sentence = "滔滔的流水，向着波士頓灣無聲逝去";
List<String> words = Segmenter.segment(sentence);
// [滔滔, 的, 流水, ，, 向着, 波士頓灣, 無聲, 逝去]

POSTagger pos = new POSTagger("models/model_c_model.bin", "models/model_c_dat.bin");
List<SegItem> words = pos.tagging(sentence);
// [滔滔/a, 的/u, 流水/n, ，/w, 向着/p, 波士頓灣/ns, 無聲/v, 逝去/v]

模型數據較大，沒有放在jar包與源碼。訓練模型下載及更多使用說明，請參看Getting Started.

2. 測評

測評主要從效果（准確率、召回率、F1值）、性能方面進行比較，測評結果見wiki。從測評結果看出，thulac4j的兼顧效果與速率。

最后，歡迎大家使用並pull request；中文分詞thulac4j的QQ交流群：373215255。