Jieba中文分词 (一) ——分词与自定义字典
jieba分词特点
支持四种分词模式:
-
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。 -
paddle模式
利用PaddlePaddle深度学习框架,训练序列标注(双向GRU)网络模型实现分词。同时支持词性标注。
paddle模式使用需安装paddlepaddle-tiny.
jieba分词安装
全自动安装:
pip install jieba (window环境)
pip3 install jieba (Linux环境)
半自动安装:
先下载 http://pypi.python.org/pypi/jieba/
解压后运行 python setup.py install
手动安装:
将 jieba 目录放置于当前目录或者 site-packages 目录
通过 import jieba
来引用
如果需要使用paddle模式下的分词和词性标注功能,请先安装paddlepaddle-tiny,pip install paddlepaddle-tiny==1.6.1
。
主要功能
分词
1、基本步骤
初始化时,先加载词典文件dict.txt,遍历每一行,生成词语-词数的键值对和总词数,并将生成结果保存到cache中,下次直接从cache中读取即可。
初始化可以简单理解为,读取词典文件,构建词语-词数键值对,方便后面步骤中查词典,也就是字符串匹配。
-
首先进行将语句转换为UTF-8或者GBK。 -
然后根据用户指定的模式,是否全模式,是否采用HMM隐马尔科夫,来设置cut方式。 -
然后根据正则,将输入文本分为一个个语句。 -
最后遍历语句,对每个语句单独进行分词。
看构建DAG的过程。
先遍历一个个切分好的短语,对这些短语来进行分词。
首先要构建短语的有向无环图DAG。查词典进行字符串匹配的过程中,可能会出现好几种可能的切分方式,将这些组合构成有向无环图,如下图所示:
得到语句的有向无环图DAG,DAG中记录了某个词的开始位置和它可能的结束位置。开始位置作为key,结束位置是一个list。
上面语句的完整DAG为:
{ 0: [1, 2], 1: [2], 2: [3, 4, 5], 3: [4], 4: [5] }
比如位置0的DAG表达为 {0: [1, 2]}, 也就是说0位置为词的开始位置时,1, 2位置都有可能是词的结束位置。
动态规划构建Route,计算从语句末尾到语句起始,DAG中每个节点到语句结束位置的最大路径概率,以及概率最大时节点对应词语的结束位置。
def calc(self, sentence, DAG, route):
N = len(sentence)
route[N] = (0, 0)
logtotal = log(self.total)
for idx in xrange(N - 1, -1, -1):
# route[idx] = (该汉字到最后一个汉字的最大路径概率,
# 最大路径概率时该汉字对应的词语结束位置).
# 遍历DAG中该汉字节点的结束位置,也就是DAG[idx],
# 计算idx到x之间构成的词语的概率,然后乘以x到语句结束位置的最大概率,
# 即可得到idx到语句结束的路径最大概率.
route[idx] = max(
(log(self.FREQ.get(sentence[idx:x + 1]) or 1)
- log(total)
+ route[x + 1][0]
, x) for x in DAG[idx])
# 每个词的概率 = 字典中该词的词数 / 字典总词数。
对于上图构建每个节点的最大路径概率的过程如下:
p(5)= 1, p(4)= max(p(5) * p(4->5)),
p(3)= max(p(4) * p(3->4)),
p(2)= max(p(3) * p(2->3), p(4) * p(2->4), p(5) * p(2->5)),
对于节点2,他有2->3, 2->4, 2->4三条路径,我们取概率最大的路径作为节点2的路径概率,并记下概率最大时节点2的结束位置。p(1) = max(p(2) * p(1->2)) p(0) = max(p(1) * p(0->1), p(2) * p(0->2))
遍历每个节点的Route,组装词语组合。
如果词语不在字典中,也就是新词,使用HMM隐马尔科夫模型进行分割。
通过yield将词语逐个返回。
2、基本方法
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8。
jieba.cut(sentence,
cut_all=False,
HMM=True,
use_paddle=False)
sentence: 需要分词的字符串
cut_all: 用来控制是否采用全模式
HMM: 用来控制是否使用 HMM 模型
use_paddle: 用来控制是否使用paddle模式下的分词模式,paddle模式采用延迟加载方式,通过enable_paddle接口
jieba.cut_for_search(sentence, HMM=True)
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。
sentence: 分词的字符串
HMM: 使用 HMM 模型
jieba.cut
以及 jieba.cut_for_search
返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode)
jieba.lcut
以及 jieba.lcut_for_search
直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定义分词器,可用于同时使用不同词典。jieba.dt
为默认分词器,所有全局分词相关函数都是该分词器的映射。
代码示例:
# encoding=utf-8
import jieba
jieba.enable_paddle()# 启动paddle模式。
strs=["我关注了数据STUDIO","我是数据分析师","四川大学"]
for str in strs:
seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式
print("Paddle Mode: " + '/'.join(list(seg_list)))
seg_list = jieba.cut("我毕业于四川大学,我关注了数据STUDIO", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我毕业于四川大学,我关注了数据STUDIO", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
print(", ".join(seg_list))
seg_list = jieba.cut_for_search("我是云朵君,我关注了数据STUDIO") # 搜索引擎模式
print(", ".join(seg_list))
Paddle enabled successfully......
Paddle Mode: 我/关注/了/数据/STUDIO
Paddle Mode: 我/是/数据/分析师
Paddle Mode: 四川大学
Full Mode: 我/ 毕业/ 于/ 四川/ 四川大学/ 大学/ ,/ 我/ 关注/ 了/ 数据/ STUDIO
Default Mode: 我/ 毕业/ 于/ 四川大学/ ,/ 我/ 关注/ 了/ 数据/ STUDIO
他, 来到, 了, 网易, 杭研, 大厦
我, 是, 云朵, 君, ,, 我, 关注, 了, 数据, STUDIO
添加自定义词典
1、原始词典
词典是基于字符串匹配的分词算法的关键所在,决定了最终分词的准确度。jieba词典dict.txt是jieba作者采集了超大规模的语料数据,统计得到的。有5M,包含349,046条词语
。每一行对应一个词语,包含词语 词数 词性三部分。
2、载入词典
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。
jieba.load_userdict(file_name)
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
为文件类对象或自定义词典的路径,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。
例如:
创新办 3 i
云计算 5
凱特琳 nz
台中
更改分词器(默认为 jieba.dt
)的 tmp_dir
和 cache_file
属性,可分别指定缓存文件所在的文件夹及其文件名,用于受限的文件系统。
代码示例:
#encoding=utf-8
import sys
sys.path.append("../")
import jieba
import jieba.posseg as pseg
test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print("使用默认词库:\n {}".format('/'.join(words)))
print("="*40)
jieba.load_userdict("userdict.txt")
"""
userdict.txt
云计算 5
李小福 2 nr
创新办 3 i
pip_install 3 eng
好用 300
韩玉赏鉴 3 nz
八一双鹿 3 nz
台中
凱特琳 nz
Edu Trust认证 2000
"""
jieba.add_word('石墨烯')
jieba.add_word('凱特琳')
jieba.del_word('自定义词')
words = jieba.cut(test_sent)
print("加载自定义词库后: \n{}".format('/'.join(words)))
print("="*40)
# 带有词性的分词
result = pseg.cut(test_sent)
for w in result:
print(w.word, "/", w.flag, ", ", end=' ')
print("\n" + "="*40)
terms = jieba.cut('pip_install is great')
print('/'.join(terms))
terms = jieba.cut('python 的正则表达式是好用的')
print('/'.join(terms))
print("="*40)
使用默认词库::
李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /加载自定义词库后:
李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
3、调整词典
使用 add_word(word, freq=None, tag=None)
和 del_word(word)
可在程序中动态修改词典。
使用 get_FREQ(word)
用来统计当前词的词频。
使用 suggest_freq(segment, tune=True)
可调节单个词语的词频,使其能(或不能)被分出来。
注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
代码示例:
# test frequency tune
testlist = [
('今天天气不错', ('今天', '天气')),
('如果放到post中将出错。', ('中', '将')),
('我们中出了一个叛徒', ('中', '出')),
]
for sent, seg in testlist:
print('/'.join(jieba.cut(sent, HMM=False)))
word = ''.join(seg)
print('%s Before: %s, After: %s' % (word, jieba.get_FREQ(word), jieba.suggest_freq(seg, True)))
print('/'.join(jieba.cut(sent, HMM=False)))
print("-"*40)
今天天气/不错
今天天气 Before: 3, After: 0
今天/天气/不错如果/放到/post/中将/出错/
中将 Before: 763, After: 494
如果/放到/post/中/将/出错/。我们/中/出/了/一个/叛徒
中出 Before: 3, After: 3
我们/中/出/了/一个/叛徒
通过用户自定义词典来增强歧义纠错能力[2]
参考资料
jieba分词: https://github.com/fxsjy/jieba
[2]用户自定义词典: https://github.com/fxsjy/jieba/issues/14