近日，小米开源了其自然语言处理平台 MiNLP 的中文分词功能，具备分词效果好、轻量级、词典可定制、多粒度切分以及调用更便捷等特点。
在自然语言处理任务中，除了模型之外，底层的数据处理也是非常重要的。在语料预处理阶段，分词作为其中一个环节，其作用也是非常重要，但也受不同语言的限制，因而采取的方法有所不同，如中文和英文。中文分词是将一个汉字序列进行切分，得到一个个单独的词，如「我住在朝阳区」，分词后的结果为「我 / 住在 / 朝阳区」。如果分词效果不好的话，可能会出现其他情况，比较极端的结果是全部分错「我住 / 在朝 / 阳区」。分词效果好不好对信息检索、实验结果影响很大，同时分词的背后涉及各种各样的算法实现。就中、英文而言，中文分词与英文分词有很大的不同，对英文而言，词与词之间都有空格隔开，一个单词就是一个词，而汉语是以字为基本的书写单位，词语之间没有明显的区分标记，需要人为切分。现阶段也出现了很多分词算法：如基于规则的、基于统计的等，也有一些比较好的分词工具如 jieba、Hanlp、THULAC 等。此外还存在着一些在线分词工具，其分词效果也不错。国内一些科技大厂也早早投入到自然语言处理相关领域，如百度 NLP、阿里云 NLP 等。就在近日，小米 AI 实验室 NLP 团队开发的小米自然语言处理平台 MiNLP 现已开源了中文分词功能。
目前，MiNLP 平台已经具备词法、句法、语义等数十个功能模块，后续将陆续开源词性标注、命名实体识别、句法分析等功能。其致力于打造功能强大、效果领先的 NLP 工具集。MiNLP 从去年 2.0 版本的两大功能模块（基础算法、语义理解）已经上升到 3.0 版本四大功能模块，在基础算法、语义理解的基础上增加了内容理解和舆情分析模块。新的模块可以帮助系统更好地结合上下文理解交互内容，提高识别的准确性。目前，小米自然语言处理平台 MiNLP 每天输出服务 80 亿次。MiNLP-Tokenizer 是小米 AI 实验室 NLP 团队自研的中文分词工具，基于深度学习序列标注模型实现，在公开测试集上取得了 SOTA 效果。其具备以下特点：分词效果好：基于深度学习模型在大规模语料上进行训练，粗、细粒度在 SIGHAN 2005 PKU 测试集上的 F1 分别达到 95.7% 和 96.3%；
轻量级模型：精简模型参数和结构，模型仅有 20MB；
词典可定制：灵活、方便的干预机制，根据用户词典对模型结果进行干预；
多粒度切分：提供粗、细粒度两种分词规范，满足各种场景需要；
调用更便捷：一键快速安装，API 简单易用。
pip install minlp-tokenizer
适用环境：Python 3.5~3.7，TensorFlow>=1.15,<2。from minlptokenizer.tokenizer import MiNLPTokenizertokenizer = MiNLPTokenizer(granularity='fine') # fine：细粒度，coarse：粗粒度，默认为细粒度print(tokenizer.cut('今天天气怎么样？'))
from minlptokenizer.tokenizer import MiNLPTokenizertokenizer = MiNLPTokenizer(['word1', 'word2'], granularity='fine') #用户自定义干预词典传入
from minlptokenizer.tokenizer import MiNLPTokenizertokenizer = MiNLPTokenizer('/path/to/your/lexicon/file', granularity='coarse') # 构造函数的参数为用户词典路径
在 lexicon 文件夹下默认已经有两个词典「chengyu.txt」、「default.txt」：
在文件「chengyu.txt」中，有 8500 多个成语，基本上都是四字成语，示例如下所示：
在文件「default.txt」中，有 150 个词，基本上为公司名称及网站名称，示例如下所示：
其实早在 11 月 5 日 2020 小米开发者大会上，小米集团副总裁、集团技术委员会主席崔宝秋就发布了小米自然语言处理平台 MiNLP 平台开源计划。现在，MiNLP 的分词功能已经开源，接下来可以期待一下词性标注、命名实体识别、句法分析等功能的开源。据 2020 小米开发者大会上的消息，词性标注功能将于明年一季度开源，命名实体识别功能将于明年二季度开源，语义相关功能将于明年三季度开源。MiNLP 不同功能模块，将按计划逐渐开源。
