相關簡介
jcseg是使用Java開發的一個開源的中文分詞器，使用流行的mmseg算法實現。是一款獨立的分詞組建，不是針對lucene而開發，但是提供了lucene分詞接口。功能特色
1。mmseg四種過濾算法，分詞準確率達到了98.41%。2。支持自定義詞庫。在jcseg源碼中的lexicon資料夾下，可以隨便添加/刪除/更改詞庫和詞庫內容，並且對詞庫進行了分類。
3。詞庫整合了《現代漢語詞典》和cc-cedict辭典中的詞條，並且依據cc-cedict詞典為詞條標上了拼音，依據《中華同義詞詞典》為詞條標上了同義詞(尚未完成)。更改jcseg.properties配置文檔可以在分詞的時候加入拼音和同義詞到分詞結果中。
4。中文數字和中文分數識別，例如："一百五十個人都來了，四十分之一的人。"中的"一百五十"和"四十分之一"。並且jcseg會自動將其轉換為阿拉伯數字加入到分詞結果中。如：150， 1/40。
5。支持中英混合詞的識別。例如：B超, x射線。
6。更好的英文支持，電子郵件，網址，小數，分數，百分數，字母和標點組合詞（例如C++, c#）的識別。
7。支持阿拉伯/中文數字基本單字單位的識別，例如2012年，五折，並且jcseg會將其轉換為“5折”加入分詞結果中。
8。自動圓角/半角，大小寫轉換。
9。特殊字母識別：例如：Ⅰ，Ⅱ
10。特殊數字識別：例如：①，⑩
11。配對標點內容提取：例如：最好的Java書《java編程思想》，‘暢想杯黑客技術大賽’，被《,‘,“,『標點標記的內容。
12。智慧型中文人名識別。中文人名識別正確率達94%以上。（可以維護lex-lname.lex，lex-dname-1.lex，lex-dname-2.lex來提高準確率）。
分詞速度
測試環境：2.8GHZ/2G/UbuntuSimple 模式： 1366058字/秒 3774.5KB/秒
Complex 模式： 479338字/秒 1324.4KB/秒
分詞測試
運行如下命令來測試jcseg分詞：java -jar jcseg-core-{version}.jar即可( {version改為對應的版本號})。
jcseg lucene分詞：
//導入jcseg-core-{version}.jar
//import com.webssky.jcseg.core.Config類
/*
1.Config.COMPLEX_MODE為複雜模式：
特點：四種過濾算法，中英混合詞識別，中文姓名，姓氏暱稱識別，
數字單位識別，特殊數字和字母識別。
*/
//1.7.0以上版本支持，請到download中下載最新版jcseg。
Config.APPEND_CJK_PINYIN =true; //分詞結果中加入拼音，需要配置jcseg.loadpinyin = 1
Config.APPEND_CJK_SYN =true; //分詞結果中加入同義詞，需要配置jcsg.loadsyn = 1
/*
2.Config.SIMPLE_MODE為簡易模式
特點：只使用了最大化過濾算法，其他的同複雜模式。
*/
Analyzer analyzer =newJcsegAnalyzer(Config.COMPLEX_MODE);
軟體信息
授權協定：Apache開發語言：Java
系統要求：跨平台
配置信息
jcseg的另一個特點是提供了jcseg.properties配置文檔，裡面的選項幾乎可以配置分詞中的常用選項，基於此你可以打造適合自己的分詞套用，jcseg配置文檔說明如下：jcseg.loadpos=0 #載入詞庫時是否載入詞條的詞性。
jcseg.loadpinyin=0 #載入詞庫時是否載入詞條的拼音(1.7.0後)。
jcseg.loadsyn=1 #載入詞庫時是否載入詞條的同義詞。
jcseg.icnname=1 #-開啟中文人名識別(1.7.0後)。
lexicon.prefix=lex #-詞庫檔案前綴。
jcseg.cnmaxlnadron=1 #-姓氏修飾詞長度，例如：老陳 中的“陳”。
lexicon.suffix=lex #-詞庫檔案後綴。
jcseg.mixcnlen=2 #-中英混合詞最大中文詞數，例如：A計畫 A後面有兩個字“計畫”。
jcseg.nsthreshold=1000000 #-姓名成詞歧義闋值。
lexicon.dir=lexicon #-詞庫目錄，和以下的path加起來為jcseg詞庫絕對路徑。
lexicon.path=jar.dir #-詞庫存放路徑(jar.dir為默認路徑)。
jcseg.maxlen=5 #-正向最大化匹配數目（建議位於4-7之間）。
jcseg.pptmaxlen=15 #最大的配對標點內容長度。
版本信息：
jcseg目前最高版本：1.7.2.5。新版本提供的功能：
1。去除了英文無用標點的切分。
2。新加入字母和標點組合詞的識別，例如：c++, g++, c#等等。
（為此jcseg新加入了一個詞庫 lex-en-pun.lex，專門用於存放該類詞條。）
3。加入中文數字單字單位的識別，例如：五折，十年……，並且jcseg會自動將其轉換成阿拉伯數字和單位的組合加入到分詞結果中，例如上述會轉換為：5折，10年 。
4。為了統一和方便，將英文的切分結果全部轉換了為小寫，並且lex-mixed.lex中英混合詞中的英文字母全部變成了小寫，並且最佳化了英文識別代碼。
