jieba分词的词性标注
Posted Flippedkiki
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jieba分词的词性标注相关的知识,希望对你有一定的参考价值。
号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。它的特点有:
-
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
Python 2.x 下的安装
-
全自动安装:easy_install jieba 或者 pip install jieba
-
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 (第一次import时需要构建Trie树,需要几秒时间)
Python 3.x 下的安装
-
目前master分支是只支持Python2.x 的
-
Python3.x 版本的分支也已经基本可用:
https://github.com/fxsjy/jieba/tree/jieba3k
- git clone https://github.com/fxsjy/jieba.git
- git checkout jieba3k
- python setup.py install<h1 style="font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 28px;"><a target=_blank name="-1" href="https://github.com/fxsjy/jieba/blob/master/README.md#-1"></a>功能 1):分词</h1><ul class=" list-paddingleft-2" style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;"><li><p>jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2)cut_all参数用来控制是否采用全模式 </p></li><li><p>jieba.cut_for_search方法接受一个参数:需要分词的字符串,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 </p></li><li><p> 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode </p></li><li><p> 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),也可以用list(jieba.cut(...))转化为list </p></li></ul><p style="color: rgb(51, 51, 51); font-family: Helvetica, arial, freesans, clean, sans-serif; font-size: 14px;">代码示例( 分词 )</p><pre>#encoding=utf-8
- import jieba
- seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
- print "Full Mode:", "/ ".join(seg_list) #全模式
- 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 ", ".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 ", ".join(seg_list)
Output:
【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 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了) 【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
功能 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,一部分为词语,另一部分为词频,最后为词性(可省略),用空格隔开
-
范例:
-
之前: 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 /
-
自定义词典:https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
-
用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py
-
-
"通过用户自定义词典来增强歧义纠错能力" --- https://github.com/fxsjy/jieba/issues/14
功能 3) :关键词提取
-
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analyse
-
setence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
代码示例 (关键词提取)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
功能 4) : 词性标注(这是重点)
-
标注句子分词后每个词的词性,采用和ictclas兼容的标记法
-
用法示例
>>> import jieba.posseg as pseg >>> words =pseg.cut("我爱北京天安门") >>> for w in words: ... print w.word,w.flag ... 我 r 爱 v 北京 ns 天安门 ns
功能 5) : 并行分词
-
原理:将目标文本按行分隔后,把各行文本分配到多个python进程并行分词,然后归并结果,从而获得分词速度的可观提升
-
基于python自带的multiprocessing模块,目前暂不支持windows
-
用法:
-
jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数
-
jieba.disable_parallel() # 关闭并行分词模式
-
-
例子: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
-
实验结果:在4核3.4GHz Linux机器上,对金庸全集进行精确分词,获得了1MB/s的速度,是单进程版的3.3倍。
功能 6) : Tokenize:返回词语在原文的起始位置
-
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: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
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: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
功能 7) : ChineseAnalyzer for Whoosh搜索引擎
-
引用: from jieba.analyse import ChineseAnalyzer
-
用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
另附词性标注表如下:
1. 名词 (1个一类,7个二类,5个三类)
名词分为以下子类:
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素
2. 时间词(1个一类,1个二类)
t 时间词
tg 时间词性语素
3. 处所词(1个一类)
s 处所词
4. 方位词(1个一类)
f 方位词
5. 动词(1个一类,9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词(内动词)
vl 动词性惯用语
vg 动词性语素
6. 形容词(1个一类,4个二类)
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语
7. 区别词(1个一类,2个二类)
b 区别词
bl 区别词性惯用语
8. 状态词(1个一类)
z 状态词
9. 代词(1个一类,4个二类,6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素
10. 数词(1个一类,1个二类)
m 数词
mq 数量词
11. 量词(1个一类,2个二类)
q 量词
qv 动量词
qt 时量词
12. 副词(1个一类)
d 副词
13. 介词(1个一类,2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
14. 连词(1个一类,1个二类)
c 连词
cc 并列连词
15. 助词(1个一类,15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 (“连小学生都会”)
16. 叹词(1个一类)
e 叹词
17. 语气词(1个一类)
y 语气词(delete yg)
18. 拟声词(1个一类)
o 拟声词
19. 前缀(1个一类)
h 前缀
20. 后缀(1个一类)
k 后缀
21. 字符串(1个一类,2个二类)
x 字符串
xx 非语素字
xu 网址URL
22. 标点符号(1个一类,16个二类)
w 标点符号
wkz 左括号,全角:( 〔 [ { 《 【 〖 〈 半角:( [ { <
wky 右括号,全角:) 〕 ] } 》 】 〗 〉 半角: ) ] { >
wyz 左引号,全角:“ ‘ 『
wyy 右引号,全角:” ’ 』
wj 句号,全角:。
ww 问号,全角:? 半角:?
wt 叹号,全角:! 半角:!
wd 逗号,全角:, 半角:,
wf 分号,全角:; 半角: ;
wn 顿号,全角:、
wm 冒号,全角:: 半角: :
ws 省略号,全角:…… …
wp 破折号,全角:—— -- ——- 半角:--- ----
wb 百分号千分号,全角:% ‰ 半角:%
wh 单位符号,全角:¥ $ £ ° ℃ 半角:$
-
以上是关于jieba分词的词性标注的主要内容,如果未能解决你的问题,请参考以下文章