ahmetaa/zemberek-nlp

Zemberek-NLP – 土耳其语自然语言处理工具包

简介 – 这是一个 Java 库，整合了一系列专为土耳其语设计的 NLP 组件。它涵盖了从底层文本处理（分词、拼写校正）到高阶任务（如形态分析、命名实体识别、语言识别和文本分类）的所有功能。

主要模块

模块	功能
Core	其他模块使用的工具集合、哈希函数和辅助类。
Morphology	土耳其语形态解析、消歧和词形生成。
Tokenization	针对土耳其语拼写规则调整的句子边界检测和分词。
Normalization	拼写检查、单词建议和噪声文本清理。
NER	命名实体识别器（尚未提供模型）。
Classification	基于 Facebook 的 fastText Java 移植版的文本分类。
Language Identification	快速检测给定文本的语言。
Language Modeling	压缩友好的语言模型格式和工具。
Applications	可直接运行的控制台工具（例如交互式形态分析器）。
gRPC Server	通过 gRPC 公开库，以便从其他语言调用。
Examples	展示典型使用模式的小型程序。

如何使用

• Maven – 添加 Zemberek Maven 仓库 (https://raw.github.com/ahmetaa/maven-repo/master) 并声明所需的模块作为依赖，例如 zemberek-morphology 版本 0.17.1。
• Standalone JAR – 从链接的 Google-Drive 文件夹下载 zemberek-full.jar。运行 java -jar zemberek-full.jar 可列出内置的控制台应用程序。
• Source – 仓库包含一个 examples 模块以及一个独立的 turkish-nlp-examples 项目，用以展示 API 用法。

当前状态 – 该项目处于 缓慢维护模式；最新版本为 0.17.1 (2019 年 7 月)。部分组件（如 NER）缺乏预训练模型，且该库的多线程测试有限。

许可 – Apache License 2.0（宽松且对商业友好）。

适用对象 – 正在开发土耳其语应用程序（聊天机器人、搜索、文本分析等）的研究人员、开发者或爱好者，且偏好可直接嵌入或通过 gRPC 访问的纯 Java 解决方案。