当前位置:Gxl网 > 互联网 > 中文分词工具——jieba

中文分词工具——jieba

时间:2021-07-01 10:21:17 帮助过:0人阅读

汉字是智慧和想象力的宝库。 ——索尼公司创始人井深大

简介

在英语中,单词就是“词”的表达,一个句子是由空格来分隔的,而在汉语中,词以字为基本单位,但是一篇文章的表达是以词来划分的,汉语句子对词构成边界方面很难界定。例如:南京市长江大桥,可以分词为:“南京市/长江/大桥”和“南京市长/江大桥”,这个是人为判断的,机器很难界定。在此介绍中文分词工具jieba,其特点为:

  1. 社区活跃、目前github上有19670的star数目
  2. 功能丰富,支持关键词提取、词性标注等
  3. 多语言支持(Python、C++、Go、R等)
  4. 使用简单

Jieba分词结合了基于规则和基于统计这两类方法。首先基于前缀词典进行词图扫描,前缀词典是指词典中的词按照前缀包含的顺序排列,例如词典中出现了“买”,之后以“买”开头的词都会出现在这一部分,例如“买水”,进而“买水果”,从而形成一种层级包含结构。若将词看成节点,词与词之间的分词符看成边,则一种分词方案对应着从第一个字到最后一个字的一条分词路径,形成全部可能分词结果的有向无环图。

技术图片

jieba安装

安装很简单,先创建一个python3.6的虚拟环境,再激活环境,最后安装命令如下:

conda create -n nlp_py3 python=3.6

source activate nlp_py3

pip install jieba

jieba的三种分词模式

  • 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。

    • 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

  • 支持自定义词典

  • MIT 授权协议

主要功能

1. 分词

  • jieba.cut 方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用 HMM 模型
  • jieba.cut_for_search 方法接受两个参数:需要分词的字符串;是否使用 HMM(隐马尔可夫) 模型。该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细
  • jieba.lcut 以及 jieba.lcut_for_search 直接返回 list

执行示例:

技术图片

2.添加自定义词典

  • 开发者可以指定自己自定义的词典,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
  • 用法: jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
  • 词典格式和 dict.txt 一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。
    词频省略时使用自动计算的能保证分出该词的词频。

执行示例:

技术图片

tips:
P(台中) < P(台)×P(中),“台中”词频不够导致其成词概率较低

解决方法:强制调高词频

jieba.add_word('台中') 

或者 

jieba.suggest_freq('台中', True)

参考官网:

技术图片