Skip to content

Latest commit

 

History

History
386 lines (300 loc) · 17.9 KB

CHANGES.md

File metadata and controls

386 lines (300 loc) · 17.9 KB

Jcseg versions change histories

TODO List:

  1. 文本自动分类
  2. 知识图谱抽取模型
  3. 情感分析

jcseg 2.5.0:

  1. 词条格式调整为:“词条/词性集合/拼音/实体集合/自定义参数” --done
  2. lucene,solr,elasticsearch检索同义词解决方案与Jcseg同义词方案结合 --done
  3. 修复了lucene以及其扩展产品Elasticsearch, solr等同义词以及派生词 (例如,中文数字转阿拉伯数字)的高亮的bug. --done
  4. 修复NLP模式下部分“第xx”实体识别的position错误的bug --done
  5. 修复elasticsearch插件的词库autoload的bug --done
  6. 对于全部的切分模式增加同义词自动词性继承 --done
  7. 增加elasticsearch 7.2.0支持和lucene, solr 8.0.0支持 --done
  8. jccseg-server更改jetty版本号为:9.4.18.v20190429 --done
  9. 少量词库优化 --done

jcseg 2.3.0

  1. NLP切分部分时间实体没有使用空格隔开的bug,例如:“2017年大年初三”,应该结果:“2017年 大年初三”。 --done
  2. 检索模式重复输出的bug。report at https://gitee.com/lionsoul/jcseg/issues/IEZLN --done
  3. 自动摘要自定义输出的长度失效bug。 --done
  4. 修复英文同义词追加token.offset尚未继承的bug --done
  5. 修复NLP模式对类“五月天”等datetime词条的拆分优先级,以词库中的词条优先级最高 --done
  6. 修复增加对lucene单字段多值的offset支持,例如elasticsearch的Array字段 --done
  7. jcseg-server打包为完整项目支持,增加jvm.options对jvm配置调整支持 --done

jcseg 2.2.0:

  1. 检索模式SearchSeg增加粒度控制,切分单字,例如:”人民币“切分为”人,民,币,人民,人民币“
  2. 同义词统一解决方案:同义词单独管理,同义词之间自动相互引用,同义词追加和自动合并
  3. 单个词条多实体支持,词条的实体可以定义多个,IWord#Entity变为数组
  4. NLP切分优化,修复datetime,time实体识别和其他部分bug
  5. 词库优化
关于同义词:

同义词具体格式参考:vendors/lexicons/lex-synonyms.lex
在词库的第一行增加CJK_SYN,定义其为同义词词库即可,可以建立多个

基本格式如下:
词根,同义词1[/可选拼音],同义词2[/可选拼音],...同义词n[/可选拼音]

例如:
研究,研讨,研发,研磨/yan mo

要求:
01),第一个词条为词根,这个词条必须是CJK_WORD词库中已有的词条
02),其他同义词可以不用存在,jcseg会自动将其加入词库,并且词条之间相互引用同义词
03),同义词会继承词根的词性和实体定义,也会继承本词条的拼音(如果该词条存在),也可以在其后自定义拼音。

jcseg-2.1.1: (current version)

  1. 优化JcsegTokenizer的实现:clearAttributes改为到reset中调用,去除end()的调用,方便TokenStream外引用做相关统计查询工作。
  2. 修复Word#toString中json字符串的特殊字符转义bug,增加"和\的预处理。 reported by https://github.com/luohuan02
  3. 修复《》之间五内容切出空字符串的bug。 reported by http://git.oschina.net/fige
  4. NLP切分模式增加标准的datetime实体识别。例如:2017/03/07,2017-03-07。
  5. NLP切分模式增加中文通用datetime实体识别。例如:2017年3月7日,明天下午4点半,下周二上午8点45分等,明天凌晨2点一刻。
  6. NLP切分模式增加混合dateime实体识别。例如:明天下午15:45,下周二10:30,2017-03-15下午三点半,2017/12/24下午15:45。
  7. 优化了IWord词条对象的可能的并发访问问题,目前主要是出现在开启词库更新自动加载的情况下IWord.clone()调用时,更新线程和切分线程的竞争。

datetime实体识别测试demo(不同datetime部分使用空格分开,方便二次分词处理):

jcseg~tokenzier:NLP>> 2017年3月2日
分词结果:
2017年 3月 2日/t/datetime.ymd
Done, total:9, tokens:1, in 0.00105sec
jcseg~tokenzier:NLP>> 2017年03月07日
分词结果:
2017年 03月 07日/t/datetime.ymd
Done, total:11, tokens:1, in 0.00000sec
jcseg~tokenzier:NLP>> 明天下午4点半
分词结果:
明天 下午 4点半/t/datetime.dahi
Done, total:7, tokens:1, in 0.00000sec
jcseg~tokenzier:NLP>> 下周二上午8点45分
分词结果:
下周二 上午 8点 45分/t/datetime.dahi
Done, total:10, tokens:1, in 0.00000sec
jcseg~tokenzier:NLP>> 2017年03月08日下午15点半去见一个投资人
分词结果:
2017年 03月 08日 下午 15点半/t/datetime.ymdahi 去/q/null 见/n/null 一个/q/null 投资人/n/null
Done, total:24, tokens:5, in 0.00000sec
jcseg~tokenzier:NLP>> 明天凌晨2点一刻产品升级开始
分词结果:
明天 凌晨 2点一刻/t/datetime.dahi 产品/n/null 升级/vn/null 开始/n/null
Done, total:14, tokens:4, in 0.00000sec
jcseg~tokenzier:NLP>> 明天下午15:45
分词结果:
明天 下午 15点 45分/t/datetime.dahi
Done, total:9, tokens:1, in 0.00000sec
jcseg~tokenzier:NLP>> 2017/03/15下午16:45:36开始生日party
分词结果:
2017/03/15 下午 16点 45分 36秒/t/datetime.ymdahis 开始/n/null 生日/n/null party/en/null
Done, total:29, tokens:4, in 0.00210sec

jcseg-2.1.0:

  1. 部分词库类别合并到主类别(中英组合,英中组合,英文标点,英文词库),方便维护,也是为Jcseg的NLP计划做准备。
  2. 优化Jcseg的英中组合词条的识别算法,之前的除类似“x射线”等英中混合词识别外,其他的类别的混合词维护过于麻烦,全部混合词库统一到lex-mixed.lex中管理或者新建词库。
  3. 分隔符切分模式,对输入流直接按照单个分隔符(默认是空格)切分,特殊应用场景需求。
  4. 词库增加词条实体标识和识别,方便应用对切分出来的词条做词条类别识别和应用,例如:时间,地点(比词性和实体识别更灵活,可以持有n种自定义实体类别)。
  5. 优化了词库加载的检测(关于各类词条对于config.max_length的检测验证)。
  6. 增加英文词条最大长度为64个字符的限制,防止输入很长的无空白英文字符串导致内存溢出
  7. 新增了NLPSeg切分模式,用于NLP分析,继承自复杂模式,修改了数字,单位等词条的组合形式,增加电子邮件,大陆手机号码,网址,地名,人名,货币等实体的自动识别。
  8. 优化了jcseg-server模块的api数据处理,简化了api数据返回格式。
  9. 词库优化,将ip2region中的全部地域词库合并到了lex-place.lex中作为统一地名词库。
  10. DictionaryFactory#createSingletonDictionary loadDic参数无效bug修复。
  11. 增加对目前最新版本的lucene-6.3.0的支持。
  12. 增加对目前最新版本的solr-6.3.0的支持。
  13. 增加对目前最新版本的elasticsearch-5.1.1的支持。

升级指南:

  • 1, 如果之前自定义过混合词库,则需要将混合词库的第一行的类别标识更改为:CJK_WORD,不然会不兼容而出现没法识别混合词的情况。
  • 2, 如果之前自定义过词库文件格式,2.1.0开始词库文件硬编码使用“lex-”开头和“.lex”结尾,jcseg.properties中的配置项已经无效。

jcseg-2.0.0:

  1. 增加自定义词库开发文档
  2. 完善关键字提取,关键短语提取,关键句子,自动摘要提取的自定义开发文档
  3. 文档增加词库自动加载lex-autoload.todo权限提示
  4. DictionaryFactory增加如下两个接口方便自定义词库开发
createDefaultDictionary(JcsegTaskConfig config, boolean sync, boolean loadDic)
createSingletonDictionary(JcsegTaskConfig config, boolean loadDic)
/*
 * loadDic 用于控制工厂是否自动从config检测并且加载词库,兼容旧版本的默认是自动监测加载
 * 方便用户自定义加载自己的设置的词库
*/
  1. 修复了并发情况下IWord#position可能的污染bug,这个bug会导致lucene的高亮错误
  2. 优化了复杂英文组合的二次切分,确保返回词条后者的startOffset大于等于前者的

jcseg-1.9.9:

1, 上传到了maven中心仓库,依赖地址如下:
  • 1), jcseg (全部模块)
<dependency>
    <groupId>org.lionsoul</groupId>
    <artifactId>jcseg</artifactId>
    <version>1.9.9</version>
</dependency>
  • 2), jcseg-core:
<dependency>
    <groupId>org.lionsoul</groupId>
    <artifactId>jcseg-core</artifactId>
    <version>1.9.9</version>
</dependency>
  • 3), jcseg-analyzer (lucene或者solr):
<dependency>
    <groupId>org.lionsoul</groupId>
    <artifactId>jcseg-analyzer</artifactId>
    <version>1.9.9</version>
</dependency>
  • 4), jcseg-elasticsearch
<dependency>
    <groupId>org.lionsoul</groupId>
    <artifactId>jcseg-elasticsearch</artifactId>
    <version>1.9.9</version>
</dependency>
  • 5), jcseg-server (独立的应用服务器)
<dependency>
    <groupId>org.lionsoul</groupId>
    <artifactId>jcseg-server</artifactId>
    <version>1.9.9</version>
</dependency>
2, JcsegTaskConfig更改构造方法如下:
JcsegTaskConfig()                   //不做任何内部初始化
JcsegTaskConfig(boolean autoLoad)   //是否自动寻找配置文件
JcsegTaskConfig(String proFile)     //指定配置文件初始化
JcsegTaskConfig(InputStream is)     //指定输入流初始化
3, JcsegTaskConfig或者jcseg.properties中的词库路劲支持设置为null
4, ADictionary词库基类增加如下载入词库方法:
load(File file)                 //从File中载入全部词条
load(String file)               //从指定文件路劲中载入全部词条
load(InputStream is)            //从输入流中载入全部词条
loadDirectory(String lexDir)    //载入一个词库目录下的全部词条
loadClassPath()                 //从classpath中载入全部词条
5, jcseg-core-{version}.jar中自动打包了一份jcseg.properties和全部的词库,从此只需要jcseg-core-{version}.jar文件即可运行,无需任何依赖,
同时也可以在jcseg-core-{version}.jar目录下存放一份jcseg.properties配置文件来自定义全部选项,例如:最大切分长度,自定义词库路径等。
6, 词库优化,增加一些新词条

jcseg-1.9.8:

  1. 增加检索切分模式(SEARCH_MODE),实现细粒度切分,专业为搜索。
  2. 增加DictionaryFactory#createSingletonDictionary,用于创建单例词库。
  3. 将analyzer,elasticsearch接口词库更改为单例创建,节省内存,同时避免了多实例的下词库自动加载无法全局更新的问题。
  4. 提供对lucene,solr 6.0以上版本的支持,elasticsearch 2.3.1以上版本的支持。
  5. 增加JcsegAnalyzer5X如下构造方法方便lucene应用的打包发布:
JcsegAnalyzer5X(int mode, String proFile)
JcsegAnalyzer5X(int mode, JcsegTaskConfig config)
JcsegAnalyzer5X(int mode, JcsegTaskConfig config, ADictionary dic)
  1. 代码格式标准化,例如:4空格代替tab,花括号的换行等。
  2. 词库优化(去除些许无用词,完善部分词条词性定义)
  3. 修复jcseg-server.properties#jcseg_global_setting名称错误, 更改为:jcseg_global_config。
  4. 修复JcsegServer#http_config设置bug和TokenizerController#pos拼写错误。

jcseg-1.9.7:

  1. 词库优化:增加新词,词性优化
  2. jcseg-server模块的restful api
  3. 文章textRank关键词提取
  4. textRank关键短语提取
  5. 文章textRank关键句子/摘要提取
  6. 终端测试程序增加关键字/关键短语/关键句子/摘要提取测试项

jcseg-1.9.6:

  1. mmseg过滤器的lazyInitRace bug修复
  2. 同义词&拼音的高亮显示问题修复
  3. detect模式增加位置返回和部分bug修复
  4. 词库词性补全(完成绝大部分常用词条的词性补全)
  5. 增加对最新版本的lucene(5.1.0), solr(5.1.0), elasticsearch(1.5.2)的支持
  6. 词库autoload多目录支持bug修复

jcseg-1.9.5:

  1. 修复部分英中混合词的同义词无法追加的bug
  2. 增加jcseg-elasticsearch模块 - elasticsearch切分插件
  3. 修复切分词条的些许情况offset错误bug
  4. 更改对solr-4.9的支持

jcseg-1.9.4:

  1. 改善中英混合词的识别,可以识别更多情况, 例如: 高3
  2. 加入IHashQueue来替换原来的ILinkedList,改善word pool的性能,加快切分速度
  3. 更改org.lionsoul.jcseg.util.STConverter加入了更全的简繁词条对照
  4. 修复了中文数字转阿拉伯数字的一种会过滤的情况.(http://code.google.com/p/jcseg/issues/detail?id=22)
  5. 修复词库路径空格bug:JAR_HOME = java.net.URLDecoder.decode("", "utf-8");
  6. 修复中文数字转阿拉伯数字的一个bug.(例如:二零一四年会被转换成1914年)
  7. 检测模式切分(只切分返回词库中已有的词条,自动大小写,全半角转换)

jcseg-1.9.3:

  1. 更改为maven托管,同时也支持原始的ant编译。
  2. 优化复杂英文组合的二次切分,减少了一些没必要的追加调用(不影响使用)。
  3. 更换了复杂英文切分中二次切分词条和原词条的输出顺序,因为同义词追加的功能,二次切分的词条放在前面更合理。
  4. 修复词库加载停止词长度限制判断的bug。
  5. PushbackReader的内存溢出bug。

jcseg-1.9.2:

  1. 配置文件中词库多目录加载, 多个目录使用';'隔开.
  2. 词库自动重载正则支持. --undone
  3. 修复中文分数识别可能的一种错误组合的bug.
  4. 修复部分中文分数无法转换为阿拉伯分数的bug.
  5. 词库合并工具bug修复.
  6. 词库加载错误友好提示.
  7. 对复杂的数字和英文组合词进行再次切分, 例如: QQ2013, 切分成qq2013, qq, 2013.
  8. 将自动保留的标点放置到了jcseg.properties配置文件中, 方便更改并且默认去除了对/,^等的保留.

jcseg-1.9.1:

  1. 优化IStringBuffer#resizeTo()方法, 使用System.arraycopy代替循环来拷贝元素.
  2. 增加了util.dic.STConverter类来进行简体和繁体字符串的相互转换.
  3. 增加了util.dic.DicConverter来管理jcseg词库简体和繁体相互转换.
  4. 增加了util.dic.DicMerge类来合并jcseg的简体和繁体词库生成简繁体混合词库.
  5. 将jcseg目前的简体词库经过转换得到了一份繁体词库(适合繁体切分).
  6. 将简体词库和繁体词库进行了合并, 得到了一份简繁体混合词库.(简繁体通用, 但是会耗费更多内存).
  7. 修复ASegment#nextBasicLatin()中"数字+空格+单位"组合中忽略空格直接组合数组和单位的bug.

jcseg-1.9.0:

  1. 修复"小数+单位"无法识别的情况.更改ASegment#isDigit()方法.
  2. 词库加载长度限制(长度大于max_length的过滤掉).
  3. 更改中英混合词的识别(目前可以识别中英任何一种组合).
    英中: 例如: b超,
    英中英: a美1,
    英中英中: a哆啦a梦,
    中英: 卡拉ok, 
    中英中: 哆啦a梦, 
    中英中英: 中文a美a
  1. 更改了单位组合, 现在可以组合更多非中文单位, 例如: ℃,℉
  2. 对于未识别的字符, 给定一个开关选项来决定保留还是过滤.
  3. 英文同义词的追加 (增加了lex-en.lex词库)

jcseg-1.8.9:

  1. 保留英文半全角标点和CJK标点符号切分(可通过停止词过滤掉,默认全部过滤掉了).
  2. 词性标注(需要完成词库词性的标注).
  3. IStringBuffer#deleteCharAt bug修复.
  4. 修复英文字母和标点组合词(些许组合时无法识别)识别的一个bug.
  5. 更改了词库加载时一个问题, 词库重载时, 防止重复加载同义词和词性.
  6. 基本数据类型存储使用IntArrayList代替了ArrayList,减少了拆解箱.
  7. 依据网友建议修改了开发帮助文档.

jcseg-1.8.8:

  1. JcsegTaskConfig自定义配置文件jcseg.properties管理(方便复杂项目管理).
  2. 更改ADictionary类接口, 支持以词库文件为单位进行加载, 方便二次开发或者词库更新自动加载,词库分为同步词库和非同步词库.
  3. 词库更新自动加载功能.
  4. 整理jcseg.properties配置文件
  5. 中英混合词识别(非英中混合词, 例如: b超), 例如: 卡拉ok.

jcseg-1.8.7:

1.更改jcseg内部设计(更好的适用多线程).

(1).加入JcsegTaskConfig描述Jcseg配置项(提供CloneFromProperties方法用于从jcseg.properties中克隆配置) (2).更改ASegment作用于JcsegTask.(由JcsegFactory产生指定算法和模式的分词工厂) 2.加上文章关键字提取功能. -undone

jcseg-1.8.6:

  1. 修复些许词条(些许词库在切分过程中会进入中文数字识别程序中, 默认情况下jcseg没有追加中文数字的同义词)无法追加同义词的bug.
  2. 加入所有类别词库停止词过滤功能, 先前版本只支持CJK词条切分停止词过滤.

jcseg-1.8.5:

  1. 加入了中文分数转阿拉伯分数的开关选项.
  2. 加入solr分词接口.
  3. 加入了README.txt
  4. 加入了LISENSE.txt
  5. 去除了某些词库类型词条加载长度限制, 例如stopwords的英文词长就不该有词长度限制.

jcseg-1.8.3:

  1. 修复了姓名识别方法,因lex-chars.lex中找不到对应的词而抛出NullPointerException的bug.
  2. 加上中文数字转阿拉伯数字的开关选项,默认开启.
  3. 彻底解决jcseg.properties文件查找:
    (1). jar home搜索, 如果没找到尝试(2)
    (2). classpath中搜索, 如果没找到尝试(3)
    (3). user home搜索. 如果没找到, 抛出异常, 并且会提示解决方法.

jcseg-1.8.2:

  1. 词库加载时,去除了长度大于Config.MAX_LENGTH的同义词.
  2. 加上了英文的停止词过滤功能(并且加入了几百个英文停止词).
  3. 加上了JcsegAnalyzer4X对lucene4.x版本的支持.