csw5.0中文分词组件

一、CSW中分词组件简介 CSW中文分词组件，是一套可自动将一段文本按常规汉语词组进行拆分，并以指定方式进行分隔的COM组件。本组件采用独有的高效的分词引擎及拆分算法，具有准确、高速、资源占用率小等特点。为了满足客户对文本语义进行研究分析的需要，本组件同时提供词性及词频标注功能，可根据用户要求，对其拆分后的词组进行词性标注或词频标注。互联网信息检索、数据库信息查询、智能聊天机器人、文本校对、自动翻译、 自动摘要、自动分类及信息加工处理等各个领域。 二、本组件特点： 1．适应性强 本组全部件采用ANSI标准C++开发，可广泛应用于当今的操作系统平台上，如：MS Windows 、Linux及其它各公司出品的Unix操作系统。 2. 支持范围广 在MS Windows平台下，本组件以COM接口的DLL格式进行封装，可支持所有支持COM接口调用的编程语言及脚本语言。如：PHP、JSP、ASP、 ASP.net、C/C++ 、VC6.0 、VC.net、BC、C#、VB6.0 、VB.net、Delphi、Java等。 3. 响应速度快 由于本组件采用高效特殊的算法引擎结构，每秒钟拆分可达数万字汉语文本，在对搜索关键词进行拆分情况下，其响应时间均在数毫秒之内，为搜索提供强劲动力。 4. 词组识别准确率高 采用特殊的词组拆分识别算法，可有效消除汉语词组中汉语歧义，并可识别各个行业内的特殊用语、专用词汇、公司名、地名等，并具有汉语成语、汉语短语识别功能。如："醉翁之意不在酒"。经长期使用及大量文本测试其准确率可达到92%以上。 5. 拆分覆盖面广 含盖了IT、化工、金融、贸易、纺织、电子、制造、冶金等各行各业以及日常生活用语中的汉语词组。 6. 提供词组自定义功能 可根据用户需要自行添加汉语词组，并提单个汉字添加或从文件批量添加功能。 7．特殊字符过滤功能 可根据用户需要自行定义影响检索结果的不必要的字符。如：! % *等。 8. 干扰字、无意义字及敏感词过滤功能。 可根据用户需要自行定义干扰字、无意义字、敏感词过滤列表。如:啊、唉、个、了等无意义的以及煸动、反动、黄色和侵害他人的汉字、词组及英文。 9. 具有英文分词识别功能。 本组件同时具有英文单词的分词识别功能。 10. 词性标注功能。(限企业A版) 词性：即词组在汉语语言中所表述的性质。如：计算机 /名词; 中国 / 名词，方位词 此功能可对拆分出的汉语词组进行词性标注，辅以开发人员理解分析文本序列中所包含的语义或意图。其广泛应用于互联网信息搜索以提高搜索精度、智能聊天机器人理解对方话语的含义等领域。整个分词标注以北京大学词性标注集为标准。(详细可参见词性标注表) 11. 词频标注功能。(限企业B版) 词频：即词组在广域的所有汉语词组中出现的相对频率值。 此功能可对拆分出的汉语词组进行词频标识。为开发人员在对搜索关键词的理解分析上提供有效的参考，以提高检索精度。整个词频标识是以各大报刊媒体文章为基础，经过精心的统计分析制作而成，具有相当的参考价值。