Jcseg是一个基于mmseg算法的轻量级Java中文分词器。它还集成了关键词提取、关键短语提取、关键句提取、文章自动摘要等功能。它还提供基于Jetty 的Web 服务器以方便主要语言。直接http调用，同时还提供了最新版本的lucene、solr和elasticsearch搜索分词接口。

Jcseg是一个基于mmseg算法的轻量级Java中文分词器。它还集成了关键词提取、关键短语提取、关键句提取、文章自动摘要等功能。它还提供基于Jetty 的Web 服务器以方便主要语言。直接http调用，同时还提供最新版本的lucene、solr和elasticsearch搜索分词接口！

特征

Jcseg核心功能：

中文分词：mmseg算法+Jcseg独创优化算法，七种分词模式。

关键词提取：基于textRank算法。

关键词提取：基于textRank算法。

关键句提取：基于textRank算法。

文章自动摘要：基于BM25+textRank算法。

自动词性标注：基于词库+（统计歧义消除方案），目前效果还不是很理想，不推荐用于对词性标注结果要求较高的应用。

命名实体标注：基于词库+（统计消歧方案）、电子邮件、网站、大陆手机号码、地名、人名、货币、日期时间、长度、面积、距离单位等。

Restful api：嵌入jetty提供了绝对高性能的服务器模块，包括功能齐全的http接口，标准化的json输出格式，方便各种语言的客户端直接调用。

Jcseg中文分词：

七种分割模式：

简单模式：FMM算法，适合对速度要求较高的场合。

复杂模式：MMSEG四种过滤算法，歧义去除率高，分词准确率达到98.41%。

检测模式：仅返回词汇表中已有的条目，非常适合某些应用。

大多数模式：细粒度分割，专为检索而设计。除中文处理（不具备中文姓名、数字识别等智能功能）外，其他模式与复杂模式一致（英文、组合词等）。

分隔符模式：根据给定的字符分割条目。默认为空格。它用于特定情况。

NLP模式：继承于复杂模式，改变了数字、单位等条目的组合，增加了对电子邮件、大陆手机号码、网址、人名、地名、货币等的识别和返回以及无限类型的自定义实体。

n-gram 模式：CJK 和拉丁字符的通用n-gram 分段实现。

分词特点：

支持自定义词典。词库文件夹下可以随意添加/删除/更改词库及词库内容，词库是分类的。

支持加载多个词典目录。使用';'在配置lexicon.path 中分隔多个词典目录。

词库分为简体/繁体/简繁混合词库：可专门适配简体分词、繁体分词、简体与繁体混合分词，并可利用下文提到的同义词实现简体与繁体中文的相互检索， Jcseg同时提供了两个简单的词典管理工具，可以进行简体中文和繁体中文的转换以及词库的合并。

中英文同义词添加/同义词匹配+中文词条拼音添加。该词典整合了《现代汉语词典》和cc-cedict词典中的词条，词条根据cc-cedict词典标注拼音，同义词标注《汉语同义词词典》（尚未完成） ）。更改jcseg.properties配置文件可以在分词时为分词结果添加拼音和同义词。

中文数字和中文分数的识别，例如：‘这里有一百五十人，四十人中有一人。 '中的'一百五十'和'一百四十'。并且Jcseg会自动将其转换为阿拉伯数字并添加到分词结果中。如：150、1/40。

支持中英混合词、英汉混合词的识别（维护词库可识别任意组合）。例如：B超、X光、卡拉OK、七都KTV、机器猫。

支持英文的类中文分词，同时还使用mmseg算法消除歧义。例如：“openarkcompiler”会被分段为：“openarkcompiler”，这个功能也可以关闭。

更好的拉丁语支持，识别电子邮件、域名、小数、分数、百分比、字母和标点符号组合（例如C++、c#）。

自定义分段保留标点符号。例如：retain，可以识别kr等复杂术语。

复杂英文切分结果二次切分：可以保留原来的组合，同时避免复杂切分带来的搜索命中率下降。例如QQ2013将被分割为： qq2013/qq/2013， chenxin619315@gmail.com 将被分割为： chenxin619315@gmail.com/chenxin/619315/gmail/com。

支持阿拉伯数字/小数/中文数字的基本词单位识别，如2012、1.75米、38.6、50%off，Jcseg将其转换为“50%off”并添加到分词结果中。

智能圆角、半角、英文大小写转换。

特殊字母识别：例如：、；特殊号码识别：例如：、。

配对标点内容提取：例如：最好的Java书籍《Java编程思想》、《想象力杯黑客技术大赛》，内容以“、”、“、”标点符号标注。 （从1.6.8版本开始支持）。

智能中文名/外文译名识别。中文姓名识别准确率达94%以上。 （中文名字可以维护lex-lname.lex、lex-dname-1.lex、lex-dname-2.lex来提高准确率），（引入规则和词性后，识别准确率将达到98%以上） ）。

自动中英文停用词过滤功能（该选项需要在jcseg.properties中开启，lex-stopwords.lex为停用词词典）。

词典更新自动加载功能启动一个守护线程定期检测并加载词典更新（注意需要对对应词典目录下的lex-autoload.todo文件有写权限）。

自动词性标注（目前基于同义词库）。

自动实体识别，默认支持：邮箱、网站、大陆手机号码、地名、人名、货币等；可以在词汇表中自定义各种实体并在分段期间返回。