“结巴”中文分词:做最好的 Python 中文分词组件

Posted 架构精进

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了“结巴”中文分词:做最好的 Python 中文分词组件相关的知识,希望对你有一定的参考价值。

1.分词

  1. 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
  2. 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 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
  3. 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
  4. 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),或者用
  5. jieba.lcut以及 jieba.lcut_for_search直接返回 list
  6. 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。
# encoding=utf-8from __future__ import print_function, unicode_literalsimport jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True, HMM=False)print("Full Mode(HMM=False): " + "/ ".join(seg_list))
seg_list = jieba.cut("我来到北京清华大学", cut_all=True, HMM=True)print("Full Mode(HMM=True): " + "/ ".join(seg_list))
seg_list = jieba.cut("我来到北京清华大学", 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("Default Mode: " + ", ".join(seg_list))
seg_list = jieba.cut_for_search("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print("Search Engine Mode: " + ", ".join(seg_list))
Building prefix dict from the default dictionary ...Loading model from cache /var/folders/pb/0wpsfs4x5cq3l5jrspxp9v4r0000gn/T/jieba.cacheLoading model cost 0.469 seconds.Prefix dict has been built succesfully.
Full Mode(HMM=False): 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学Full Mode(HMM=True): 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学Default Mode: 我/ 来到/ 北京/ 清华大学Default Mode: 他, 来到, 了, 网易, 杭研, 大厦Search Engine Mode: 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

2.添加自定义词典

2.1 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
  • 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。

例如:

创新办 3 i云计算 5凱特琳 nz台中

2.2 调整词典

  • 使用  add_word(word, freq=None, tag=None)del_word(word)可在程序中动态修改词典。
  • 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。

使用默认分词,“创新办”、“云计算”、“八一双鹿”、“韩玉赏鉴”、“凱特琳”是分错的:

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('/'.join(words))
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//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//「/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/。

加入“凱特琳”后:

jieba.add_word('凱特琳') words = jieba.cut(test_sent)print('/'.join(words))
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//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//「/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/。

删除“凱特琳”后:

jieba.del_word('凱特琳')words = jieba.cut(test_sent)print('/'.join(words))
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//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//「/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/。

加入“石墨烯”后:

jieba.add_word('石墨烯')words = jieba.cut(test_sent)print('/'.join(words))
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//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//「/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/。

载入词典:

!cat userdict.txt
云计算 5李小福 2 nr创新办 3 ieasy_install 3 eng好用 300韩玉赏鉴 3 nz八一双鹿 3 nz台中凱特琳 nzEdu Trust认证 2000
jieba.load_userdict("userdict.txt")words = jieba.cut(test_sent)print('/'.join(words))
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//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//「/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/。

调节单个词语的词频:

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))如果/放到/post/中将/出错/。
jieba.suggest_freq(('中', '将'), True)494
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))如果/放到/post/中/将/出错/。
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))「/台中/」/正确/应该/不会/被/切开
jieba.suggest_freq('台中', True)70
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))「/台中/」/正确/应该/不会/被/切开

3. 关键词提取

3.1 基于 TF-IDF 算法的关键词抽取

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence为待提取的文本
  • topK为返回几个 TF/IDF 权重最大的关键词,默认值为 20
  • withWeight为是否一并返回关键词权重值,默认值为 False
  • allowPOS仅包括指定词性的词,默认值为空,即不筛选
  • jieba.analyse.TFIDF(idf_path=None)新建 TFIDF 实例,idf_path 为 IDF 频率文件
with open('turing.txt', 'r') as f: sentences = f.read()print(sentences)

艾伦·麦席森·图灵,1912年生于英国伦敦,1954年死于英国的曼彻斯特,他是计算机逻辑的奠基者,许多人工智能的重要方法也源自于这位伟大的科学家,被誉为计算机科学之父、人工智能之父。计算机逻辑的奠基者,提出了“图灵机”和“图灵测试”等重要概念。人们为纪念其在计算机领域的卓越贡献而专门设立了“图灵奖”。艾伦·麦席森·图灵是一名男同性恋者,同时还是一位世界级的长跑运动员。他的马拉松最好成绩是2小时46分3秒,比1948年奥林匹克运动会金牌成绩慢11分钟。1948年的一次跨国赛跑比赛中,他跑赢了同年奥运会银牌得主汤姆·理查兹(Tom Richards)。

代码示例 (关键词提取)

import jieba.analyse
tags = jieba.analyse.extract_tags(sentences, topK=10)print('/'.join(tags))
图灵/麦席森/1948/艾伦/奠基者/人工智能/逻辑/成绩/计算机/计算机领域

关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径

!head idf.txt.big
劳动防护13.900677652劳动防护13.900677652生化学13.900677652生化学13.900677652奥萨贝尔13.900677652奥萨贝尔13.900677652考察队员13.900677652考察队员13.900677652岗上11.5027823792岗上11.5027823792
jieba.analyse.set_idf_path("idf.txt.big")tags = jieba.analyse.extract_tags(sentences, topK=10)print('/'.join(tags))
图灵/奠基者/麦席森/1948/成绩/重要/计算机/人工智能/艾伦/逻辑

关键词提取所使用停止词(Stop Words)文本语料库可以切换成自定义语料库的路径

!head stop_words.txt
theofisandtointhatweforan
jieba.analyse.set_stop_words("stop_words.txt")jieba.analyse.set_idf_path("idf.txt.big")tags = jieba.analyse.extract_tags(sentences, topK=10)print('/'.join(tags))
图灵/奠基者/麦席森/1948/成绩/重要/计算机/人工智能/艾伦/逻辑

关键词一并返回关键词权重值示例

tags = jieba.analyse.extract_tags(sentences, topK=10, withWeight=True)for tag in tags: print("tag: %s\t\t weight: %f" % (tag[0], tag[1]))

tag: 图灵 weight: 0.484653tag: 奠基者 weight: 0.323102tag: 麦席森 weight: 0.323102tag: 1948 weight: 0.323102tag: 成绩 weight: 0.323102tag: 重要 weight: 0.323102tag: 计算机 weight: 0.323102tag: 人工智能 weight: 0.323102tag: 艾伦 weight: 0.323102tag: 逻辑 weight: 0.323102

3.2 基于 TextRank 算法的关键词抽取

  • jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))直接使用,接口相同,注意默认过滤词性。
  • jieba.analyse.TextRank()新建自定义 TextRank 实例
  • 算法论文:TextRank: Bringing Order into Texts
  • 基本思想:
    • 将待抽取关键词的文本进行分词
    • 以固定窗口大小(默认为5,通过span属性调整),词之间的共现关系,构建图
    • 计算图中节点的PageRank,注意是无向带权图
s = "林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年,实现营业收入0万元,实现净利润-139.13万元。"
# TF-IDFfor x, w in jieba.analyse.extract_tags(s, topK=10, withWeight=True): print('%s %s' % (x, w))
欧亚 1.01742702152吉林 1.01742702152万元 0.763070266143置业 0.763070266143增资 0.508713510762亿元 0.508713510762实现 0.508713510762在建 0.254356755381房地产 0.254356755381目前 0.254356755381
# TextRankfor x, w in jieba.analyse.textrank(s, topK=10, withWeight=True): print('%s %s' % (x, w))
吉林 1.0欧亚 0.996689335418置业 0.643436031309实现 0.589860669286收入 0.43677859948增资 0.409990053128子公司 0.356782959477城市 0.349713836674商业 0.34817220716业务 0.309223099262

4.词性标注

  • jieba.posseg.POSTokenizer(tokenizer=None)新建自定义分词器,tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
  • 标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
import jieba.posseg as psegwords = pseg.cut("我爱北京天安门")for word, flag in words: print('%s %s' % (word, flag))
我 r爱 v北京 ns天安门 ns

5.Tokenize:返回词语在原文的起止位置

注意,输入参数只接受 unicode

# 默认模式result = jieba.tokenize(u'永和服装饰品有限公司')for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
word 永和 start: 0 end:2word 服装 start: 2 end:4word 饰品 start: 4 end:6word 有限公司 start: 6 end:10
# 搜索模式result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
word 永和 start: 0 end:2word 服装 start: 2 end:4word 饰品 start: 4 end:6word 有限 start: 6 end:8word 公司 start: 8 end:10word 有限公司 start: 6 end:10


以上是关于“结巴”中文分词:做最好的 Python 中文分词组件的主要内容,如果未能解决你的问题,请参考以下文章

结巴分词 0.32 发布,Python 中文分词组件

部分常用分词工具使用整理

Python第三方库jieba(结巴-中文分词)入门与进阶(官方文档)

python中文分词,使用结巴分词对python进行分词

结巴中文分词使用学习(python)

目前优秀的开源中文分词库你知道几个?