Jcseg轻量级中文分词器发布 2.6.2 Java轻量级开源自然语言处理包

Jcseg是基于mmseg算法的一个轻量级中文分词器，是Java轻量级开源自然语言处理包。同时集成了关键字提取，关键短语提取，关键句子提取和文章自动摘要等功能，并且提供了一个基于Jetty的web服务器，方便各大语言直接http调用，同时提供了最新版本的lucene，solr和elasticsearch的分词接口！

2.6.2版本主要更新内容如下：

1，升级到对lucene 8.20，solr 8.2.0和Elasticsearch的7.4.2版本的支持，Gitee搜索目前用的Elasticseach 7.4.2版本。

2，增加solr和elasticsearch索引级别的分词配置，可以不同索引使用不同的分词配置，具体可以参考Gitee搜索资源分享中的mapping：https://gitee.com/oschina/gitee-search-share。

3，部分已有词库的优化，拼音，词性，同义词等。

4，二次切分优化，增加中英混合词的的二次切分支持。

5，增加n-gram切分模式，可以自定义n，实现n-gram的切分，例如：”中文分词“ 1-gram会被切分成”中 文 分 词“，此功能在Gitee的搜索提示中用到了。

6，增加英文词条的切分，大部分的分词器对于英文都只是通过空格或者标点来切分，这个版本jcseg增加了对英文的切分，同时也是通过mmseg算法来去除歧义，例如：

英文组合词条：

jcseg~tokenizer:complex>> openarkcompiler
分词结果：
open[0,4]/n ark[4,3]/n compiler[7,8]/n
Done, total:15, tokens:3, in 0.00000sec

例如Gitee搜索”openark“：https://search.gitee.com/?q=openark&skin=rec&type=repository

拼音组合词条：

jcseg~tokenizer:complex>> guanyuwomen
分词结果：
guanyu[0,6]/p women[6,5]/n
Done, total:11, tokens:2, in 0.00105sec

例如：Gitee搜索"中文huancunxitong"：https://search.gitee.com/?q=huancunxitong&skin=rec&type=repository

7，增加英文词库和拼音词库，用于支撑上述的英文切分，这个英文也包括拼音的切分，例如：Gitee搜索的拼音和汉语相互搜索：

搜索”fenci“: https://search.gitee.com/?q=fenci&skin=rec&type=repository
搜索”分词“: https://search.gitee.com/?q=%E5%88%86%E8%AF%8D&skin=rec&type=repository
搜索”中文分词“：https://search.gitee.com/?q=%E4%B8%AD%E6%96%87%E5%88%86%E8%AF%8D&skin=rec&type=repository
搜索”中文fenci“：https://search.gitee.com/?q=%E4%B8%AD%E6%96%87fenci&skin=rec&type=repository

8，同义词优化，同义词词库和offset逻辑无缝对接lucene的increasement设计，便于实现同义词的检索和高亮，例如：Gitee搜索的同义词效果如下：

搜索”中文分词“：https://search.gitee.com/?q=%E4%B8%AD%E6%96%87%E5%88%86%E8%AF%8D&skin=rec&type=repository 搜索”汉语分词“：https://search.gitee.com/?q=%E6%B1%89%E8%AF%AD%E5%88%86%E8%AF%8D&skin=rec&type=repository 搜索”普通话分词“：https://search.gitee.com/?q=%E6%99%AE%E9%80%9A%E8%AF%9D%E5%88%86%E8%AF%8D&skin=rec&type=repository

9，更改了Jcseg的API设计，使用函数接口来代替部分的class查找，使用更方便，API变更为如下：

//创建SegmenterConfig分词配置实例，自动查找加载jcseg.properties配置项来初始化
SegmenterConfig config = new SegmenterConfig(true);

//创建默认单例词库实现，并且按照config配置加载词库
ADictionary dic = DictionaryFactory.createSingletonDictionary(config);

//依据给定的ADictionary和SegmenterConfig来创建ISegment
//为了Api往后兼容，建议使用SegmentFactory来创建ISegment对象
ISegment seg = ISegment.COMPLEX.factory.create(config, dic);


//备注：以下代码可以反复调用，seg为非线程安全

//设置要被分词的文本
String str = "研究生命起源。";
seg.reset(new StringReader(str));

//获取分词结果
IWord word = null;
while ( (word = seg.next()) != null ) {
    System.out.println(word.getValue());
}

10，BUG修复：

英文切分的offset问题：https://gitee.com/lionsoul/jcseg/issues/I19IQ4 NLP日期实体识别问题：https://gitee.com/lionsoul/jcseg/issues/I17DMS

maven仓库(中央仓库同步中...)：

org.lionsouljcseg-core2.6.2