نام (NAME)

mmseg - بخش‌بندی متن‌های چینی با الگوریتم بیشینه تطبیق (maximum matching).

خلاصه دستور (SYNOPSIS)

mmseg -d dict_file [option]... [corpus_file]...

توضیحات (DESCRIPTION)

mmseg ابزاری برای بخش‌بندی متن چینی به کلمات با استفاده از الگوریتم بیشینه تطبیق (maximum matching) است. mmseg فایل پیکره متنی (corpus_file)، یا در صورت مشخص نشدن نام فایل، ورودی استاندارد را تقطیع کرده و نتیجه بخش‌بندی‌شده را در خروجی استاندارد می‌نویسد.

گزینه‌ها (OPTIONS)

-d dict_file

استفاده از dict_file به عنوان واژه‌نامه (lexicon). واژه‌نامه پیش‌فرض در مسیر /usr/share/sunpinyin-slm/dict.utf8 یافت می‌شود.

-f,--format (text|bin)

قالب خروجی؛ می‌تواند 'text' یا 'bin' باشد. پیش‌فرض 'bin' است. معمولاً در حالت متنی، متن کلمات در خروجی قرار می‌گیرد، در حالی که در حالت باینری، شناسه‌های واژه (word-ids) به صورت عدد صحیح کوتاه دودویی (short integer) در stdout نوشته می‌شوند.

-s, --stok STOK_ID

شناسه نشانه‌ی جمله (Sentence token id). پیش‌فرض 10 است. این شناسه در حالت باینری پس از هر جمله در خروجی نوشته می‌شود.

-i, --show-id

نمایش اطلاعات شناسه (Id). در حالت قالب خروجی متنی، شناسه پس از کلمات شناخته‌شده پیوست می‌شود. اگر در حالت باینری باشد، شناسه‌ها را به صورت متنی چاپ می‌کند.

-a, --ambiguious-id AMBI-ID

ابهام (Ambiguious) به معنای مواردی مانند ABC => A BC یا AB C است. در صورت تعیین شدن (AMBI-ID != 0)، توالی ABC بخش‌بندی نخواهد شد؛ در حالت باینری، AMBI-ID در خروجی نوشته می‌شود؛ در حالت متنی، خروجی به شکل "<ambi>ABC</ambi>" خواهد بود. پیش‌فرض 0 است.

نکات (NOTES)

در حالت binary، شناسه‌های 0 متوالی در یک 0 ادغام می‌شوند. در حالت text، هیچ فاصله‌ای میان کلمات ناشناخته درج نمی‌شود.

نویسندگان (AUTHORS)

نگارش اولیه توسط Phill.Zhang <phill.zhang@sun.com>. در حال حاضر توسط Kov.Chai <tchaikov@gmail.com> نگهداری می‌شود.

همچنین ببینید (SEE ALSO)

slmseg(1), ids2ngram(1).