kcws
kcws 是一个基于深度学习的中文分词开源项目，旨在为中文文本处理提供高精度的词语切分能力。它有效解决了传统分词算法在面对未登录词或复杂语境时准确率下降的问题，确保后续的自然语言理解任务更加顺畅。
对于需要集成中文 NLP 功能的开发者、算法工程师及研究人员而言，kcws 提供了开箱即用的解决方案。kcws 支持 BiLSTM+CRF 和 IDCNN+CRF 两种主流模型架构，并内置了完整的词向量训练流程。其显著亮点在于支持解码阶段的自定义词典，用户可通过设置权重来强化特定词汇（如公司名、人名）的识别优先级，灵活适应不同领域的业务需求。
除了核心分词功能，kcws 还支持词性标注模型的集成，并提供 Web 服务接口供快速验证。无论是本地编译部署还是在线测试，kcws 都能帮助团队高效地将高质量的分词能力融入现有系统，是中文自然语言处理任务中值得信赖的基础设施。
使用场景
某金融科技公司的数据团队正在构建智能舆情监控系统，需对海量财经新闻标题及用户评论进行精准的实体抽取与关键词分析。
没有 kcws 时
- 传统分词器常将“科创板”、“北交所”等专有名词错误切散，导致关键实体识别失败。
- 面对“量化宽松”等新造词或特定行业黑话，默认词典覆盖率极低，漏检严重。
- 人工维护正则规则成本高昂，且难以应对不断变化的语言习惯与市场术语。
- 分词错误直接传导至下游的情感分析模块，降低了监控报告的可靠性与决策参考价值。
使用 kcws 后
- kcws 利用 BiLSTM+CRF 模型，有效解决了未登录词识别难题，即使生僻金融术语也能准确切分。
- 支持自定义词典配置，可快速导入金融术语并设置权重，灵活适应垂直领域需求。
- 部署为后台 API 服务，无缝接入现有数据处理流水线，无需重复开发底层算法逻辑。
- 模型训练灵活，针对特定语料微调后，整体分词准确率显著提升，保障下游任务质量。
kcws 凭借深度学习优势，让中文文本理解在复杂场景下更加精准高效。
运行环境要求
- 未说明
未说明
未说明
快速开始
引用
本项目模型 BiLSTM（双向长短期记忆网络）+CRF（条件随机场）参考论文：http://www.aclweb.org/anthology/N16-1030 ,IDCNN（反卷积卷积神经网络）+CRF 参考论文：https://arxiv.org/abs/1702.02098
构建
安装好 bazel（Google 开源构建工具）代码构建工具，安装好 tensorflow（TensorFlow 深度学习框架）（目前本项目需要 tf 1.0.0alpha 版本以上)
切换到本项目代码目录，运行./configure
编译后台服务
bazel build //kcws/cc:seg_backend_api
训练
关注待字闺中公众号 回复 kcws 获取语料下载地址：
解压语料到一个目录
切换到代码目录，运行:
python kcws/train/process_anno_file.py <语料目录> pre_chars_for_w2v.txt
bazel build third_party/word2vec:word2vec
先得到初步词表
./bazel-bin/third_party/word2vec/word2vec -train pre_chars_for_w2v.txt -save-vocab pre_vocab.txt -min-count 3
处理低频词 python kcws/train/replace_unk.py pre_vocab.txt pre_chars_for_w2v.txt chars_for_w2v.txt
训练 word2vec（词向量训练工具）
./bazel-bin/third_party/word2vec/word2vec -train chars_for_w2v.txt -output vec.txt -size 50 -sample 1e-4 -negative 5 -hs 1 -binary 0 -iter 5
构建训练语料工具
bazel build kcws/train:generate_training
生成语料
./bazel-bin/kcws/train/generate_training vec.txt <语料目录> all.txt
得到 train.txt , test.txt 文件
python kcws/train/filter_sentence.py all.txt
- 安装好 tensorflow,切换到 kcws 代码目录，运行:
python kcws/train/train_cws.py --word2vec_path vec.txt --train_data_path <绝对路径到 train.txt> --test_data_path test.txt --max_sentence_len 80 --learning_rate 0.001 （默认使用 IDCNN 模型，可设置参数”--use_idcnn False"来切换 BiLSTM 模型)
- 生成 vocab（词表）
bazel build kcws/cc:dump_vocab
./bazel-bin/kcws/cc/dump_vocab vec.txt kcws/models/basic_vocab.txt
- 导出训练好的模型
python tools/freeze_graph.py --input_graph logs/graph.pbtxt --input_checkpoint logs/model.ckpt --output_node_names "transitions,Reshape_7" --output_graph kcws/models/seg_model.pbtxt
词性标注模型下载 (临时方案，后续文档给出词性标注模型训练，导出等）
从 https://pan.baidu.com/s/1bYmABk 下载 pos_model.pbtxt 到 kcws/models/目录下
运行 web service（Web 服务）
./bazel-bin/kcws/cc/seg_backend_api --model_path=kcws/models/seg_model.pbtxt(绝对路径到 seg_model.pbtxt>) --vocab_path=kcws/models/basic_vocab.txt --max_sentence_len=80
词性标注的训练说明：
https://github.com/koth/kcws/blob/master/pos_train.md
自定义词典
目前支持自定义词典是在解码阶段，参考具体使用方式请参考 kcws/cc/test_seg.cc 字典为文本格式，每一行格式如下:
<自定义词条>\t<权重>
比如：
蓝瘦香菇 4
权重为一个正整数，一般 4 以上，越大越重要
demo（演示）
附：使用相同模型训练的公司名识别 demo:
版本历史
test2017/03/23常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。