AOTba 1.1.1

jieba.NETAOT（AOTba）是jieba中文分词的.NET版本（C#实现），支持AOT编译。

当前版本为1.1.1，基于jieba 0.42，提供与jieba基本一致的功能与接口，但不支持其最新的paddle模式（如须使用paddle模式，请见https://github.com/sdcb/PaddleSharp/blob/master/docs%2Fpaddlenlp-lac.md ）。关于jieba的实现思路，可以看看这篇wiki里提到的资料。

此外，也提供了 KeywordProcessor，参考 FlashText 实现。KeywordProcessor 可以更灵活地从文本中提取词典中的关键词，比如忽略大小写、含空格的词等。

如果您在开发中遇到与分词有关的需求或困难，请提交一个Issue，I see u:)

TIPS：假如您使用.NET 10及以上，或者多TFM构建不包含低于.NET 10的TFM；我建议您使用 AOTba.net10p 以获得更好性能。

特点

• 支持三种分词模式：
  • 精确模式，试图将句子最精确地切开，适合文本分析；
  • 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义。具体来说，分词过程不会借助于词频查找最大概率路径，亦不会使用HMM；
  • 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
• 支持繁体分词
• 支持添加自定义词典和自定义词
• 支持lcut与lcutforsearch直接返回列表
• 支持日期/时间完整提取不被拆开（如下午3点半、晚上8点30分、2021-01-01 09:00:00）
• 支持比例提取（如提取“金龙鱼1:1:1调和油”的“1:1:1”）
• 支持提取域名（如https://gitee.com/JTsamsde/AOTba ）
• 支持完整提取带下划线/短线单词（如TF-IDF）
• 支持版本号提取（如v1.0.1、1.0.1、3.2-preview1、4.1.2-rc1、2.1-alpha1、6.3-beta2）
• 支持异步加载词典
• 支持TF-IDF、TextRank算法关键词提取
• 支持日期、时间、链接、版本号等实体提取
• 支持含Emoji句子断句
• 支持带变体选择符和ZWJ的复杂emoji断句（甚至支持到Unicode 16的emoji）
• 支持开启或关闭实体保护，以便OpenCC.NET调用
• 全面支持GB18030-2022级别3及一号修改单要求（基本区到扩展I区汉字、〇及康熙部首处理能力）
• 可AOT编译
• 1.0.9及以前为 MIT 授权协议，1.0.10及以上为 Apache 2.0 与 MIT 双授权协议，可以商用闭源发布

算法

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

安装和配置

安装配置前需确保Visual Studio版本在2026及以上

当前版本支持net10.0、net48、netstandard2.0和netstandard2.1（兼容.NET 6+），可以手动引用项目，也可以通过NuGet添加引用：

PM> Install-Package AOTba

安装之后，在packages\jieba.NET目录下可以看到Resources目录，这里面是jieba.NET运行所需的词典及其它数据文件，最简单的配置方法是将整个Resources目录拷贝到程序集所在目录，这样jieba.NET会使用内置的默认配置值。如果希望将这些文件放在其它位置，则要在app.config或web.config中添加如下的配置项：

<appSettings>
    <add key="JiebaConfigFileDir" value="C:\jiebanet\config" />
</appSettings>

需要注意的是，这个路径可以使用绝对路径或相对路径。如果使用相对路径，那么jieba.NET会假设该路径是相对于当前应用程序域的BaseDirectory。

配置示例：

• 采用绝对路径时，比如配置项为C:\jiebanet\config，那么主词典的路径会拼接为：C:\jiebanet\config\dict.txt。
• 采用相对路径时（或未添加任何配置项，那么将会使用默认的相对路径：Resources），比如配置项为..\config（可通过..来调整相对路径），若当前应用程序域的BaseDirectory是C:\myapp\bin\，那么主词典的路径会拼接为：C:\myapp\config\dict.txt。

使用代码配置词典路径

如果因为某些原因，不方便通过应用的 config 文件配置，可使用代码设置（在使用任何分词功能之前，建议使用绝对路径），如：

JiebaNet.Segmenter.ConfigManager.ConfigFileBaseDir = @"C:\jiebanet\config";

主要功能

1. 分词

• JiebaSegmenter.Cut方法接受三个输入参数，text为待分词的字符串；cutAll指定是否采用全模式；hmm指定使用是否使用hmm模型切分未登录词；返回类型为IEnumerable<string>

• JiebaSegmenter.CutForSearch方法接受两个输入参数，text为待分词的字符串；hmm指定使用是否使用hmm模型；返回类型为IEnumerable<string>

• JiebaSegmenter.LCut方法接受三个输入参数，text为待分词的字符串；cutAll指定是否采用全模式；hmm指定使用是否使用hmm模型切分未登录词；返回类型为List<string>

• JiebaSegmenter.LCutForSearch方法接受两个输入参数，text为待分词的字符串；hmm指定使用是否使用hmm模型；返回类型为List<string>

• 另外，jieba.NETAOT支持Tokenizer 自定义分词器（独立词典），如：

// 注意：关闭emoji处理的API已于1.0.10版本废除，改为自动判断emoji.txt是否存在
// 仅加载简体中文词库 + 支持表情包处理
var config = new JiebaConfig(JiebaMode.ZhHans);
var segmenter = new JiebaSegmenter(config);

// 不进行实体（日期、时间等）保护（适用于OpenCC.NET调用）
var config = new JiebaConfig(EntityProtect.Disabled);
var segmenter = new JiebaSegmenter(config);

//若 var segmenter = new JiebaSegmenter(); 则为全量加载

// Tokenizer 自定义分词器（独立词典）
var tokenizer = new Tokenizer(new JiebaConfig(JiebaMode.ZhHans));
var result = tokenizer.Lcut("我来到北京清华大学");

// jieba.dt 默认分词器
var dtResult = Jieba.Lcut("我来到北京清华大学");

// 异步加载
var asyncSegmenter = await JiebaSegmenter.CreateAsync();

代码示例

var segmenter = new JiebaSegmenter();
var segments = segmenter.Cut("我来到北京清华大学", cutAll: true);
Console.WriteLine("【全模式】：{0}", string.Join("/ ", segments));

segments = segmenter.Cut("我来到北京清华大学");  // 默认为精确模式
Console.WriteLine("【精确模式】：{0}", string.Join("/ ", segments));

segments = segmenter.Cut("他来到了网易杭研大厦");  // 默认为精确模式，同时也使用HMM模型
Console.WriteLine("【新词识别】：{0}", string.Join("/ ", segments));

segments = segmenter.CutForSearch("小明硕士毕业于中国科学院计算所，后在日本京都大学深造"); // 搜索引擎模式
Console.WriteLine("【搜索引擎模式】：{0}", string.Join("/ ", segments));

segments = segmenter.Cut("结过婚的和尚未结过婚的");
Console.WriteLine("【歧义消除】：{0}", string.Join("/ ", segments));

// Lcut 方法直接返回 List<string>，无需 ToList() 转换
var words = segmenter.Lcut("我来到北京清华大学");
Console.WriteLine("【Lcut精确模式】：{0}", string.Join("/ ", words));

words = segmenter.Lcut("我来到北京清华大学", cutAll: true);
Console.WriteLine("【Lcut全模式】：{0}", string.Join("/ ", words));

// LcutForSearch 方法直接返回 List<string>
words = segmenter.LcutForSearch("小明硕士毕业于中国科学院计算所");
Console.WriteLine("【LcutForSearch】：{0}", string.Join("/ ", words));

输出

【全模式】：我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】：我/ 来到/ 北京/ 清华大学
【新词识别】：他/ 来到/ 了/ 网易/ 杭研/ 大厦
【搜索引擎模式】：小明/ 硕士/ 毕业/ 于/ 中国/ 科学/ 学院/ 科学院/ 中国科学院/ 计算/ 计算所/ ，/ 后/ 在/ 日本/ 京都/ 大学/ 日本京都大学/ 深造
【歧义消除】：结过婚/ 的/ 和/ 尚未/ 结过婚/ 的
【Lcut精确模式】：我/ 来到/ 北京/ 清华大学
【Lcut全模式】：我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【LcutForSearch】：小明/ 硕士/ 毕业/ 于/ 中国/ 科学/ 学院/ 科学院/ 中国科学院/ 计算/ 计算所

AOT情形下含Emoji句子断句测试

=== AOTba AOT 兼容性测试 ===

[测试] 精确模式分词...
  结果: 我╱来到╱北京╱清华大学
  通过 ✓
[测试] 全模式分词...
  结果: 我╱来到╱北京╱清华╱清华大学╱华大╱大学
  通过 ✓
[测试] 搜索引擎模式分词...
  结果: 小明╱硕士╱毕业╱于╱中国╱科学╱学院╱科学院╱中国科学院╱计算╱计算所╱，╱后╱在╱日本╱京都╱大学╱日本京都大学╱深造
  通过 ✓
[测试] 词性标注...
  结果: 我/r╱爱/v╱北京/ns╱天安门/ns
  通过 ✓
[测试] TF-IDF关键词提取...
  结果: 欧亚╱增资╱置业╱4.3╱2.2
  通过 ✓
[测试] TextRank关键词提取...
  结果: 置业╱欧亚╱有限公司╱增资╱子公司
  通过 ✓
[测试] 分词Tokenize...
  结果: 南京市[0,3], 长江大桥[3,7]
  通过 ✓
[测试] Emoji分词...
  输入: 今天天气真好😀明天去爬山🎉
  结果: 今天╱天气╱真╱好╱😀╱明天╱去╱爬山╱🎉
  通过 ✓
[测试] 复杂Emoji分词（ZWJ序列、变体选择符、肤色修饰）...
  ZWJ序列: 这是👨‍👨‍👧家庭 -> 这是╱👨‍👨‍👧╱家庭
  变体选择符: 今天看了▶︎视频 -> 今天╱看╱了╱▶︎╱视频
  肤色修饰: 他是👨🏻‍⚕️医生 -> 他╱是╱👨🏻‍⚕️╱医生
  国旗emoji: 我爱🇨🇳中国 -> 我╱爱╱🇨🇳╱中国
  通过 ✓
[测试] 繁体中文分词...
  输入: 我來到北京清華大學
  结果: 我╱來到╱北京╱清華大學
  通过 ✓
[测试] Unicode 16.0 Emoji分词（指纹🫆）...
  输入: 这是我的🫆指纹
  结果: 这╱是╱我╱的╱🫆╱指纹
  通过 ✓
[测试] 日期时间比值版本号分词...
  测试1: 今天4:50某某某领了一只记号笔
  结果: 今天4:50╱某某某╱领了╱一只╱记号笔
  测试2: 会议时间是2021-01-01 09:00:00
  结果: 会议╱时间╱是╱2021-01-01 09:00:00
  测试3: 2021年1月1日是元旦
  结果: 2021年1月1日╱是╱元旦
  测试4: 春节是中国的传统节日
  结果: 春节╱是╱中国╱的╱传统节日
  测试5: 明天下午3点开会
  结果: 明天下午3点╱开会
  测试6: 金龙鱼1:1:1调和油
  结果: 金龙鱼╱1:1:1╱调和油
  测试7: 比值是100:31
  结果: 比值╱是╱100:31
  测试8: 毫秒时间14:30:00.123
  结果: 毫秒╱时间╱14:30:00.123
  测试9: 黄金比例1:1.618
  结果: 黄金╱比例╱1:1.618
  测试10: 现在是北京时间八点整
  结果: 现在╱是╱北京时间╱八点整
  测试11: 会议在上午六点整开始
  结果: 会议╱在╱上午六点整╱开始
  测试12: 当前版本是v1.0.1
  结果: 当前╱版本╱是╱v1.0.1
  测试13: 软件版本1.0.1已发布
  结果: 软件版本1.0.1╱已╱发布
  测试14: 这是3.2-preview1版本
  结果: 这是╱3.2-preview1版本
  测试15: 发布候选版本4.1.2-rc1
  结果: 发布╱候选版本4.1.2-rc1
  测试16: 这是2.1-alpha1测试版
  结果: 这是╱2.1-alpha1测试版
  测试17: 当前是6.3-beta2版本
  结果: 当前╱是╱6.3-beta2版本
  测试18: 2026年1月13日19点03分14秒
  结果: 2026年1月13日19点03分14秒
  测试19: 二零二六年一月十三日十九点零三分十四秒
  结果: 二零二六年一月十三日十九点零三分十四秒
  测试20: 二零二六年一月十三日十九点二十分十四秒
  结果: 二零二六年一月十三日十九点二十分十四秒
  测试21: 十九点二十分十四秒
  结果: 十九点二十分十四秒
  测试22: 十九点二十分
  结果: 十九点二十分
  测试23: 十九点
  结果: 十九点
  测试24: 某人考试得了零分
  结果: 某人╱考试╱得╱了╱零分
  测试25: 三分天下
  结果: 三分╱天下
  测试26: 再等十九分二十秒，就要结束考试了
  结果: 再╱等╱十九分二十秒╱，╱就要╱结束╱考试╱了
  测试27: 再等19分20秒，就要结束考试了
  结果: 再╱等╱19分20秒╱，╱就要╱结束╱考试╱了
  测试28: 我是二零一零年出生的
  结果: 我╱是╱二零一零年╱出生╱的
  测试29: 我是二〇一〇年出生的
  结果: 我╱是╱二〇一〇年╱出生╱的
  测试30: 我是二零一零年五月出生的
  结果: 我╱是╱二零一零年五月╱出生╱的
  测试31: 我是二〇一〇年五月出生的
  结果: 我╱是╱二〇一〇年五月╱出生╱的
  测试32: 我是二零一零年五月一日出生的
  结果: 我╱是╱二零一零年五月一日╱出生╱的
  测试33: 我是二〇一〇年五月一日出生的
  结果: 我╱是╱二〇一〇年五月一日╱出生╱的
  通过 ✓
[测试] 日期时间词性标注...
  测试1: 今天4:50某某某领了一只记号笔
  结果: 今天4:50/t╱某某某/r╱领/v╱了/ul╱一只/m╱记号笔/n
  测试2: 比值是100:31
  结果: 比值/n╱是/v╱100:31/n
  测试3: 时间是14:30
  结果: 时间/n╱是/v╱14:30/t
  通过 ✓
[测试] lcut 直接返回 List<string>...
  结果: 我╱来到╱北京╱清华大学
  通过 ✓
[测试] lcut_for_search 直接返回 List<string>...
  结果: 小明╱硕士╱毕业╱于╱中国╱科学╱学院╱科学院╱中国科学院╱计算╱计算所
  通过 ✓
[测试] Tokenizer 自定义分词器...
  结果: 我╱来到╱北京╱清华大学
  通过 ✓
[测试] Jieba.Dt 默认分词器...
  结果: 我╱来到╱北京╱清华大学
  通过 ✓
[测试] Tokenizer 独立词典...
  tokenizer1: 小明╱最近╱在╱学习╱机器学习
  tokenizer2: 小明╱最近╱在╱学习╱机器╱学习
  通过 ✓
[测试] 连字符╱下划线连接单词分词...
  测试1: TF-IDF识别方法
  结果: TF-IDF╱识别方法
  测试2: word1_word2_word3
  结果: word1_word2_word3
  测试3: hello-world
  结果: hello-world
  测试4: test_case_example
  结果: test_case_example
  通过 ✓
[测试] 域名╱URL分词...
  测试1: https://gitee.com/JTsamsde/AOTba
  结果: https://gitee.com/JTsamsde/AOTba
  测试2: http://www.baidu.com/search?q=test
  结果: http://www.baidu.com/search?q=test
  测试3: gitee.com
  结果: gitee.com
  测试4: gitee.com/JTsamsde/AOTba
  结果: gitee.com/JTsamsde/AOTba
  测试5: 访问https://github.com查看代码
  结果: 访问╱https://github.com╱查看╱代码
  测试6: 访问gitee.com/JTsamsde/AOTba查看代码
  结果: 访问╱gitee.com/JTsamsde/AOTba╱查看╱代码
  测试7: www.baidu.com
  结果: www.baidu.com
  测试8: nuget.org
  结果: nuget.org
  通过 ✓
[测试] GB18030-2022扩展B-I区生僻字分词...
  测试1: 我今天吃了𰻝𰻝面，很好吃
  结果: 我╱今天╱吃╱了╱𰻝𰻝面╱，╱很╱好吃
  测试2: 南海有轨电车一号线，起点为𧒽岗，终点为林岳东
  结果: 南海有轨电车一号线╱，╱起点╱为╱𧒽岗╱，╱终点╱为╱林岳东
  测试3: 石𬒔是佛山市南海区桂城街道的一个地名
  结果: 石𬒔╱是╱佛山市╱南海区╱桂城街道╱的╱一个╱地名
  测试4: 半径的日本新字体字形是半𮱻，繁体写作半徑
  结果: 半径╱的╱日本新字体╱字形╱是╱半𮱻╱，╱繁体╱写作╱半徑
  测试5: 从𧒽岗出发，经过石𬒔，最后去吃𰻝𰻝面
  结果: 从╱𧒽岗╱出发╱，╱经过╱石𬒔╱，╱最后╱去╱吃╱𰻝𰻝面
  测试6: 二〇一〇年
  结果: 二〇一〇年
  通过 ✓
[测试] EntityProtect.Disabled 禁用实体保护（OpenCC场景）...
  测试1: 2026年4月30日晚上9点开会
  结果: 2026╱年╱4╱月╱30╱日╱晚上╱9╱点╱开会
  测试2: 软件版本1.0.1已发布
  结果: 软件╱版本╱1.0╱.╱1╱已╱发布
  测试3: 访问https://github.com查看代码
  结果: 访问╱https╱:╱/╱/╱github╱.╱com╱查看╱代码
  测试4: 我来到北京清华大学
  结果: 我╱来到╱北京╱清华大学
  通过 ✓

=== 所有AOT测试通过！ ===

2. 添加自定义词典

加载词典

• 开发者可以指定自定义的词典，以便包含jieba词库里没有的词。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率
• JiebaSegmenter.LoadUserDict("user_dict_file_path")
• 词典格式与主词典格式相同，即一行包含：词、词频（可省略）、词性（可省略），用空格隔开
• 词频省略时，分词器将使用自动计算出的词频保证该词被分出

如

创新办 3 i
云计算 5
凱特琳 nz
台中
机器学习 3

调整词典

• 使用JiebaSegmenter.AddWord(word, freq=0, tag=null)可添加一个新词，或调整已知词的词频；若freq不是正整数，则使用自动计算出的词频，计算出的词频可保证该词被分出来
• 使用JiebaSegmenter.DeleteWord(word)可移除一个词，使其不能被分出来

3. 关键词提取

基于TF-IDF算法的关键词提取

• JiebaNet.Analyser.TfidfExtractor.ExtractTags(string text, int count = 20, IEnumerable<string> allowPos = null)可从指定文本中抽取出关键词。
• JiebaNet.Analyser.TfidfExtractor.ExtractTagsWithWeight(string text, int count = 20, IEnumerable<string> allowPos = null)可从指定文本中抽取关键词的同时得到其权重。
• 关键词抽取基于逆向文件频率（IDF），组件内置一个IDF语料库，可以配置为其它自定义的语料库。
• 关键词抽取会过滤停用词（Stop Words），组件内置一个停用词语料库，这个语料库合并了NLTK的英文停用词和哈工大的中文停用词。

基于TextRank算法的关键词抽取

• JiebaNet.Analyser.TextRankExtractor与TfidfExtractor相同的接口。需要注意的是，TextRankExtractor默认情况下只提取名词和动词。
• 以固定窗口大小（默认为5，通过Span属性调整）和词之间的共现关系构建图

4. 词性标注

• JiebaNet.Segmenter.PosSeg.PosSegmenter类可以在分词的同时，为每个词添加词性标注。
• 词性标注采用和ictclas兼容的标记法，关于ictclas和jieba中使用的标记法列表，请参考：词性标记。

var posSeg = new PosSegmenter();
var s = "一团硕大无朋的高能离子云，在遥远而神秘的太空中迅疾地飘移";

var tokens = posSeg.Cut(s);
Console.WriteLine(string.Join(" ", tokens.Select(token => string.Format("{0}/{1}", token.Word, token.Flag))));

一团/m 硕大无朋/i 的/uj 高能/n 离子/n 云/ns ，/x 在/p 遥远/a 而/c 神秘/a 的/uj 太空/n 中/f 迅疾/z 地/uv 飘移/v

5. Tokenize：返回词语在原文的起止位置

• 默认模式

var segmenter = new JiebaSegmenter();
var s = "永和服装饰品有限公司";
var tokens = segmenter.Tokenize(s);
foreach (var token in tokens)
{
    Console.WriteLine("word {0,-12} start: {1,-3} end: {2,-3}", token.Word, token.StartIndex, token.EndIndex);
}

word 永和           start: 0   end: 2
word 服装           start: 2   end: 4
word 饰品           start: 4   end: 6
word 有限公司         start: 6   end: 10

• 搜索模式

var segmenter = new JiebaSegmenter();
var s = "永和服装饰品有限公司";
var tokens = segmenter.Tokenize(s, TokenizerMode.Search);
foreach (var token in tokens)
{
    Console.WriteLine("word {0,-12} start: {1,-3} end: {2,-3}", token.Word, token.StartIndex, token.EndIndex);
}

word 永和           start: 0   end: 2
word 服装           start: 2   end: 4
word 饰品           start: 4   end: 6
word 有限           start: 6   end: 8
word 公司           start: 8   end: 10
word 有限公司         start: 6   end: 10

6. 并行分词

使用如下方法：

• JiebaSegmenter.CutInParallel()、JiebaSegmenter.CutForSearchInParallel()
• PosSegmenter.CutInParallel()

7. 与Lucene.NET的集成

jiebaForLuceneNet项目提供了与Lucene.NET的简单集成，更多信息请看：jiebaForLuceneNet

8. 其它词典

jieba分词亦提供了其它的词典文件：

• 占用内存较小的词典文件 https://raw.githubusercontent.com/anderscui/jieba.NET/master/ExtraDicts/dict.txt.small
• 支持繁体分词更好的词典文件 https://raw.githubusercontent.com/anderscui/jieba.NET/master/ExtraDicts/dict.txt.big

9. 分词速度

• 全模式：2.5 MB/s
• 精确模式：1.1 MB/s
• 测试环境： Intel(R) Core(TM) i3-2120 CPU @ 3.30GHz；围城.txt（734KB）

10. 命令行分词

Segmenter.Cli项目build之后得到jiebanet.ext，它的选项和实例用法如下：

-f       --file          the file name, (必要的).
-d       --delimiter     the delimiter between tokens, default: / .
-a       --cut-all       use cut_all mode.
-n       --no-hmm        don't use HMM.
-p       --pos           enable POS tagging.
-v       --version       show version info.
-h       --help          show help details.

sample usages:
$ jiebanet -f input.txt > output.txt
$ jiebanet -d | -f input.txt > output.txt
$ jiebanet -p -f input.txt > output.txt

11. 词频统计

可以使用Counter类统计词频，其实现来自Python标准库的Counter类（具体接口和实现细节略有不同），用法大致是：

var s = "在数学和计算机科学之中，算法（algorithm）为任何良定义的具体计算步骤的一个序列，常用于计算、数据处理和自动推理。精确而言，算法是一个表示为有限长列表的有效方法。算法应包含清晰定义的指令用于计算函数。";
var seg = new JiebaSegmenter();
var freqs = new Counter<string>(seg.Cut(s));
foreach (var pair in freqs.MostCommon(5))
{
    Console.WriteLine($"{pair.Key}: {pair.Value}");
}

输出：

的: 4
，: 3
算法: 3
计算: 3
。: 3

Counter类可通过Add，Subtract和Union方法进行修改，最后以MostCommon方法获得频率最高的若干词。具体用法可见测试用例。

12. KeywordProcessor

可通过 KeywordProcessor 提取文本中的关键词，不过它的提取与 KeywordExtractor不同。KeywordProcessor 可理解为基于词典从文本中找出已知的词，仅仅如此。

jieba分词当前的实现里，不能处理忽略大小写、含空格的词之类的情况，而在文本提取应用中，这是很常见的场景。因此 KeywordProcessor 主要是作为提取之用，而非分词，尽管通过其中的方法，可以实现另一种基于字典的分词模式。

代码示例：

var kp = new KeywordProcessor();
kp.AddKeywords(new []{".NET Core", "Java", "C语言", "字典 tree", "CET-4", "网络 编程"});

var keywords = kp.ExtractKeywords("你需要通过cet-4考试，学习c语言、.NET core、网络 编程、JavaScript，掌握字典 tree的用法");

// keywords 值为：
// new List<string> { "CET-4", "C语言", ".NET Core", "网络 编程", "字典 tree"}

// 可以看到，结果中的词与开始添加的关键词相同，与输入句子中的词则不尽相同。如果需要返回句中找到的原词，可以使用 `raw` 参数。

var keywords = kp.ExtractKeywords("你需要通过cet-4考试，学习c语言、.NET core、网络 编程、JavaScript，掌握字典 tree的用法", raw: true);

// keywords 值为：
// new List<string> { "cet-4", "c语言", ".NET core", "网络 编程", "字典 tree"}

13. 实体提取

可以提取日期、时间、域名、版本号等多种实体

代码示例：

using JiebaNet.Segmenter;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;

class TimeRecognizerDemo
{
    static void Main(string[] args)
    {
        Console.OutputEncoding = Encoding.UTF8;
        Console.WriteLine("=== AOTba ITimeRecognizer 实体提取演示 ===\n");

        ITimeRecognizer recognizer = new RegexTimeRecognizer();

        // ========== 1. 职场沟通场景 ==========
        Console.WriteLine("【场景一：项目排期会议】");
        var workText = "王总，需求评审定在下周四上午10点，开发周期约3个工作日，" +
                      "联调安排在Q2，最终版本用v2.5.0-rc2，" +
                      "deadline是2025-06-30，有问题随时找我，" +
                      "文档发你邮箱了，参考https://wiki.company.com/project-x";
        ExtractAndShow(recognizer, workText);

        // ========== 2. 社交聊天场景 ==========
        Console.WriteLine("【场景二：朋友约饭】");
        var chatText = "今晚8点半老地方见，我大概7:15下班，" +
                      "要是堵车就推迟到8点，" +
                      "对了，那家店在𧒽岗地铁站B口，" +
                      "上次吃的𰻝𰻝面真不错😋";
        ExtractAndShow(recognizer, chatText);

        // ========== 3. 电商客服场景 ==========
        Console.WriteLine("【场景三：售后沟通】");
        var serviceText = "亲，您的订单预计明天下午送达，" +
                         "物流显示已到佛山市南海区桂城街道转运中心，" +
                         "促销价是原价的85%，" +
                         "商品版本是2024款，" +
                         "有问题请联系www.taobao.com/shop/help";
        ExtractAndShow(recognizer, serviceText);

        // ========== 4. 技术讨论场景 ==========
        Console.WriteLine("【场景四：技术方案评审】");
        var techText = "CI构建耗时从14:30持续到15:45，" +
                      "TF-IDF阈值设为0.02，" +
                      "测试覆盖率要求达到99.9%，" +
                      "部署脚本在https://github.com/team/repo/blob/main/deploy.sh，" +
                      "当前运行的是v3.2.1-beta2，" +
                      "计划春节后上线";
        ExtractAndShow(recognizer, techText);

        // ========== 5. 家庭群聊场景 ==========
        Console.WriteLine("【场景五：家庭群通知】");
        var familyText = "妈，今年春节是2025年1月29日，" +
                        "我腊月二十八晚上9点的火车，" +
                        "大概十九点到北京西站，" +
                        "记得熬腊八粥，" +
                        "高铁票在12306.cn买的";
        ExtractAndShow(recognizer, familyText);

        // ========== 6. 新闻资讯场景 ==========
        Console.WriteLine("【场景六：新闻摘要】");
        var newsText = "新中国成立75周年庆典将于10月1日上午10点举行，" +
                      "届时北京时间同步直播，" +
                      "活动持续约2个小时，" +
                      "详情见www.cctv.com/2024/guoqing";
        ExtractAndShow(recognizer, newsText);

        // ========== 7. 跨场景复杂混合 ==========
        Console.WriteLine("【场景七：混合复杂文本】");
        var mixedText = "李经理，方案v1.3.0-preview1已发你钉钉，" +
                       "评审会改到下周三下午3点，" +
                       "比之前定的2025-05-20提前了，" +
                       "工期压缩到5个工作日，" +
                       "参考文档在https://confluence.company.com/display/TEAM/Spec，" +
                       "金龙鱼1:1:1调和油是本次采购的样品之一，" +
                       "占比30%，" +
                       "到货时间是明天下午4:30，" +
                       "有问题微信我，我随时在线👍";
        ExtractAndShow(recognizer, mixedText);

        // ========== 8. 实体脱敏演示 ==========
        Console.WriteLine("=== 实体脱敏演示 ===\n");
        var sensitive = "张先生的身份证号是11010119900101xxxx，" +
                       "预约了明天上午9点的专家号，" +
                       "费用结算在www.hospital.com/pay，" +
                       "药品版本是v2.0-batch3";
        Console.WriteLine($"原文: {sensitive}");
        var entities = recognizer.Recognize(sensitive);
        var masked = MaskEntities(sensitive, entities);
        Console.WriteLine($"脱敏: {masked}\n");

        // ========== 9. 按类型筛选演示 ==========
        Console.WriteLine("=== 按类型筛选：仅提取时间实体 ===\n");
        var filterText = "项目截止2025-06-30，每周三下午2:30开会，" +
                        "使用v3.2.1版本，参考https://docs.example.com，" +
                        "北京时间九点整发布";
        var all = recognizer.Recognize(filterText);
        var timeOnly = all.Where(e =>
            e.Type is "datetime" or "time" or "relativedate" or
                      "timerange" or "deadline" or "timezone" or "weekday"
        ).OrderBy(e => e.Start);

        Console.WriteLine($"文本: {filterText}");
        foreach (var e in timeOnly)
        {
            Console.WriteLine($"  [{e.Start}-{e.End}] {e.Type,-12} => {e.Text}");
        }
    }

    static void ExtractAndShow(ITimeRecognizer recognizer, string text)
    {
        Console.WriteLine($"文本: {text}");
        var entities = recognizer.Recognize(text);

        if (entities.Count == 0)
        {
            Console.WriteLine("  → 未识别到实体");
        }
        else
        {
            foreach (var e in entities.OrderBy(x => x.Start))
            {
                Console.WriteLine($"  [{e.Start,3}-{e.End,3}] {e.Type,-12} => {e.Text}");
            }
        }
        Console.WriteLine();
    }

    static string MaskEntities(string text, List<TimeEntity> entities)
    {
        var sb = new System.Text.StringBuilder(text);
        // 倒序替换避免索引偏移
        foreach (var e in entities.OrderByDescending(x => x.Start))
        {
            sb.Remove(e.Start, e.End - e.Start);
            sb.Insert(e.Start, $"[{e.Type.ToUpper()}]");
        }
        return sb.ToString();
    }
}

运行效果可以参考CI测试