1. 介绍
thulac4j是THULAC的Java 8工程化实现，相比于官方版THULAC-Java，我做了如下工作：
- 规范化分词词典，并去掉一些无用词；
- 重写DAT（双数组Trie树）的构造算法，生成的DAT size减少了8%左右，从而节省了内存；
- 优化分词算法，提高了分词速率。
若想在项目中使用thulac4j，可添加依赖：
<dependency>
<groupId>io.github.yizhiru</groupId>
<artifactId>thulac4j</artifactId>
<version>${thulac4j.version}</version>
</dependency>// SegOnly mode
String sentence = "滔滔的流水，向着波士顿湾无声逝去";
SegOnly seg = new SegOnly("models/cws_model.bin", "models/cws_dat.bin");
List<String> words = seg.segment(sentence);
// [滔滔, 的, 流水, ，, 向着, 波士顿湾, 无声, 逝去]
// SegPos mode
SegPos pos = new SegPos("models/model_c_model.bin", "models/model_c_dat.bin");
List<SegItem> words = pos.segment(sentence);
// [滔滔/a, 的/u, 流水/n, ，/w, 向着/p, 波士顿湾/ns, 无声/v, 逝去/v]模型数据较大，没有放在jar包与源码。训练模型下载及更多使用说明，请参看Getting Started.
thulac4j还支持自定义词典：
seg.setUserWordsPath("<user-words-path>");自定义词典中的词为行分隔，格式如下：
中国人
thulac4j
中文分词支持繁体转简体：
Simplifier simplifier = new Simplifier();
String s = simplifier.t2s("世界商機大發現");2. 测评
测评主要从效果（准确率、召回率、F1值）、性能方面进行比较，测评结果见wiki。从测评结果看出，thulac4j的兼顾效果与速率。
最后，欢迎大家使用并pull request；中文分词thulac4j的QQ交流群：373215255。
本文转自 Treant 博客园博客，原文链接：http://www.cnblogs.com/en-heng/p/6526598.html ，如需转载请自行联系原作者