在之前的實驗中得到了不在詞向量里的詞與分詞結果，結果有500多個詞不在詞向量里，解決方案就是重新分詞，或再追加訓練這些詞到詞向量里。但后者相對麻煩且目前樣本量不大。我跟據詞向量的作者[6]所使用的分詞工具來分詞，會比不同工具（jieba）的效果要好，因為都是同一模式的分詞，分出來的詞應該都會存在于大型語料庫中。實驗證明思路是對的，最后結果是只有60幾個詞不在詞向量里，其中大部分為名詞，還有些為因語音翻譯問題所造成的出錯連詞，所有這些詞也只出現一次，這部分可以考慮最后刪去也不會影響結果。改善未出現詞是個關鍵步驟，因為此后模型會用到詞向量，如果未出現詞過多，會影響詞向量效果。

問題：不過最后HANLP分詞影響了實驗判斷結果，準確率從93%（jieba分詞，同模型同參數）下降到90%。

實驗：使用HanLP分詞[1][2]

1,前期準備，（環境ubuntu，python3）安裝JAVA-10[3]（hanlp是JAVA開發的，即使使用python調用pyhanlp需要借助java）, jpype（python中虛擬java環境），hanlp（開源中文處理工具，不只是分詞還有各種工具），hanlp的root路徑配置及data數據包放置[4]

2,主要程序[5]

使用的是HANLP的普通分詞功能，另外需注意，hanlp.segment()不能直接輸出或賦值給python，因為其是java環境中數據，所以只有轉為str（）后，再進行處理，否則會報錯#A fatal error。（另外還有其他java與python數據對應問題，在這里沒遇到，請參考其他）

詞向量選用的是“Mixed-large綜合”[6]，其包括百度wiki百科、人民日報等，總共1293214個詞。

Hanlp的中部份功能沒法使用，例如精確分詞CRF。另外，要先加載詞向量再加載java虛擬環境。#A fatal error has been detected by the Java Runtime Environment

3,實驗結果

（模型使用的是特征為tfidf的lsi模型， 參數：num_topics=3, 判斷是否相似閥值為0.45,即大于0.45為true相似 ）

同模型同參數下，jieba分詞結果

jieba分詞未出現在詞向量的約500多，有些詞出現了好幾次，而hanlp分詞只有60幾個未出現，且多數為名詞，只出現過一次。

4,分析

在樣本中，所有樣本分詞結果jieba比hanlp要多分出100個詞左右。所以推測因hanlp分詞細粒度大，分出詞少，導致較少的共現詞出現（也可能是hanlp分詞精度更高，分出很多虛詞被停止詞表過濾造成），也就是說，lsi+tfidf模型對詞細粒度大、分詞少的分詞器不友好，所以最后hanlp出錯率更大。

jieba與hanlp都是很不錯的分詞器，結巴使用更方便。hanlp準確度要高一些（感覺），而且與文中提到的詞向量相匹配。

（我免貴姓AI，jieba：我免/貴姓/AI，hanlp：我/免/貴姓/AI，實際：我/免貴/姓AI）

參考資料：

自然語言處理 中文分詞 詞性標注 命名實體識別 依存句法分析 關鍵詞提取 新詞發現 短語提取 自動摘要 文本分類 拼音簡繁

文章來源于gladosAI的博客