中文分詞的原理
1、中文分詞(Chinese Word Segmentation)
指的是將一個漢字序列切分成一個一個單獨的詞。
分詞就是將連續的字序列按照一定的規範重新組合成詞序列的過程
2、現有的分詞算法可分爲三大類:基於字符串匹配的分詞方法、基於理解的分詞方法和基於統計的分詞方法
基於字符串匹配的分詞方法:這種方法又叫做機械分詞方法,
它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配,
若在詞典中找到某個字符串,則匹配成功(識別出一個詞)
1)正向最大匹配法(由左到右的方向)
2)逆向最大匹配法(由右到左的方向):
3)最少切分(使每一句中切出的詞數最小)
4)雙向最大匹配法(進行由左到右、由右到左兩次掃描)
基於理解的分詞方法:這種分詞方法是通過讓計算機模擬人對句子的理解,達到識別詞的效果。
其基本思想就是在分詞的同時進行句法、語義分析,利用句法信息和語義信息來處理歧義現象。
它通常包括三個部分:分詞子系統、句法語義子系統、總控部分。
在總控部分的協調下,分詞子系統可以獲得有關詞、句子等的句法和語義信息來對分詞歧義進行判斷,
即它模擬了人對句子的理解過程。這種分詞方法需要使用大量的語言知識和信息。
由於漢語語言知識的籠統、複雜性,難以將各種語言信息組織成機器可直接讀取的形式,
因此目前基於理解的分詞系統還處在試驗階段。
基於統計的分詞方法:給出大量已經分詞的文本,利用統計機器學習模型學習詞語切分的規律(稱爲訓練),
從而實現對未知文本的切分。
例如最大概率分詞方法和最大熵分詞方法等。
隨着大規模語料庫的建立,統計機器學習方法的研究和發展,基於統計的中文分詞方法漸漸成爲了主流方法。
主要統計模型:N元文法模型(N-gram),隱馬爾可夫模型(Hidden Markov Model ,HMM),最大熵模型(ME),
條件隨機場模型(Conditional Random Fields,CRF)等。
結巴分詞:
github:https://github.com/fxsjy/jieba 開源中國地址:http://www.oschina.net/p/jieba/?fromerr=LRXZzk9z
特點
支持三種分詞模式:
精確模式,試圖將句子最精確地切開,適合文本分析;
全模式,把句子中所有的可以成詞的詞語都掃描出來, 速度非常快,但是不能解決歧義;
搜索引擎模式,在精確模式的基礎上,對長詞再次切分,提高召回率,適合用於搜索引擎分詞。
支持繁體分詞
支持自定義詞典
MIT 授權協議
在線演示
jiebademo(Powered by Appfog)網站代碼:https://github.com/fxsjy/jiebademo
安裝說明
代碼對 Python 2/3 均兼容
全自動安裝:
easy_install jieba
或者pip install jieba
/pip3 install jieba
半自動安裝:先下載 http://pypi.python.org/pypi/jieba/ ,解壓後運行
python setup.py install
手動安裝:將 jieba 目錄放置於當前目錄或者 site-packages 目錄
通過
import jieba
來引用
算法
基於前綴詞典實現高效的詞圖掃描,生成句子中漢字所有可能成詞情況所構成的有向無環圖 (DAG)
採用了動態規劃查找最大概率路徑, 找出基於詞頻的最大切分組合
對於未登錄詞,採用了基於漢字成詞能力的 HMM 模型,使用了 Viterbi 算法
主要功能
1. 分詞
jieba.cut
方法接收三個輸入參數:
需要分詞的字符串;
cut_all 參數用來控制是否採用全模式;
HMM 參數用來控制是否使用 HMM 模型
jieba.cut_for_search
jieba.cut以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator,
可以使用 for 循環來獲得分詞後得到的每一個詞語(unicode),或者用
待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。
注意:不建議直接輸入 GBK 字符串,可能無法預料地錯誤解碼成 UTF-8
方法接收兩個參數:
需要分詞的字符串;
是否使用 HMM 模型。
該方法適合用於搜索引擎構建倒排索引的分詞,粒度比較細
jieba.lcut
以及jieba.lcut_for_search
直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定義分詞器,可用於同時使用不同詞典。
jieba.dt 爲默認分詞器,所有全局分詞相關函數都是該分詞器的映射。
代碼示例
# encoding=utf-8import jiebaseg_list = jieba.cut("我來到北京清華大學", cut_all=True)print("Full Mode: " + "/ ".join(seg_list)) # 全模式seg_list = jieba.cut("我來到北京清華大學", cut_all=False)print("Default Mode: " + "/ ".join(seg_list)) # 精確模式seg_list = jieba.cut("他來到了網易杭研大廈") # 默認是精確模式print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明碩士畢業於×××計算所,後在日本京都大學深造") # 搜索引擎模式print(", ".join(seg_list))
輸出:
【全模式】: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學【精確模式】: 我/ 來到/ 北京/ 清華大學【新詞識別】:他, 來到, 了, 網易, 杭研, 大廈 (此處,“杭研”並沒有在詞典中,但是也被Viterbi算法識別出來了)【搜索引擎模式】: 小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, ×××, 計算, 計算所, 後,在, 日本, 京都, 大學, 日本京都大學, 深造
2. 添加自定義詞典
載入詞典
開發者可以指定自己自定義的詞典,以便包含 jieba 詞庫裏沒有的詞。雖然 jieba 有新詞識別能力,但是自行添加新詞可以保證更高的正確率
用法: jieba.load_userdict(file_name) # file_name 爲文件類對象或自定義詞典的路徑
詞典格式和
dict.txt
一樣,一個詞佔一行;每一行分三部分:詞語、詞頻(可省略)、詞性(可省略),用空格隔開,順序不可顛倒。file_name
若爲路徑或二進制方式打開的文件,則文件必須爲 UTF-8 編碼。詞頻省略時使用自動計算的能保證分出該詞的詞頻。
例如:創新辦 3 i雲計算 5凱特琳 nz臺中
更改分詞器
更改分詞器(默認爲
jieba.dt
)的 tmp_dir
和cache_file
屬性,可分別指定緩存文件所在的文件夾及其文件名,用於受限的文件系統。範例:
之前: 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 雲 / 計算 / 方面 / 的 / 專家 /
加載自定義詞庫後: 李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 雲計算 / 方面 / 的 / 專家 /
自定義詞典: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
調整詞典
使用
add_word(word, freq=None, tag=None)
和del_word(word)
可在程序中動態修改詞典。使用
suggest_freq(segment, tune=True)
可調節單個詞語的詞頻,使其能(或不能)被分出來。注意:自動計算的詞頻在使用 HMM 新詞發現功能時可能無效。
代碼示例:
>>> print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False)))如果/放到/post/中將/出錯/。>>> jieba.suggest_freq(('中', '將'), True)494>>> print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False)))如果/放到/post/中/將/出錯/。>>> print('/'.join(jieba.cut('「臺中」正確應該不會被切開', HMM=False)))「/臺/中/」/正確/應該/不會/被/切開>>> jieba.suggest_freq('臺中', True)69>>> print('/'.join(jieba.cut('「臺中」正確應該不會被切開', HMM=False)))「/臺中/」/正確/應該/不會/被/切開
"通過用戶自定義詞典來增強歧義糾錯能力" --- https://github.com/fxsjy/jieba/issues/14
3. 關鍵詞提取
基於 TF-IDF 算法的關鍵詞抽取
import jieba.analyse
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 爲待提取的文本
topK 爲返回幾個 TF/IDF 權重最大的關鍵詞,默認值爲 20
withWeight 爲是否一併返回關鍵詞權重值,默認值爲 False
allowPOS 僅包括指定詞性的詞,默認值爲空,即不篩選
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 實例,idf_path 爲 IDF 頻率文件
代碼示例 (關鍵詞提取)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py關鍵詞提取所使用逆向文件頻率(IDF)文本語料庫可以切換成自定義語料庫的路徑用法: jieba.analyse.set_idf_path(file_name) # file_name爲自定義語料庫的路徑自定義語料庫示例:https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big用法示例:https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py關鍵詞提取所使用停止詞(Stop Words)文本語料庫可以切換成自定義語料庫的路徑用法: jieba.analyse.set_stop_words(file_name) # file_name爲自定義語料庫的路徑自定義語料庫示例:https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt用法示例:https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py關鍵詞一併返回關鍵詞權重值示例用法示例:https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py
基於 TextRank 算法的關鍵詞抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用,接口相同,注意默認過濾詞性。
jieba.analyse.TextRank() 新建自定義 TextRank 實例
算法論文: TextRank: Bringing Order into Texts基本思想:
將待抽取關鍵詞的文本進行分詞
以固定窗口大小(默認爲5,通過span屬性調整),詞之間的共現關係,構建圖
計算圖中節點的PageRank,注意是無向帶權圖
使用示例:
#encoding=utf-8from __future__ import unicode_literalsimport syssys.path.append("../")import jiebaimport jieba.possegimport jieba.analyseprint('='*40)print('1. 分詞')print('-'*40)seg_list = jieba.cut("我來到北京清華大學", cut_all=True)print("Full Mode: " + "/ ".join(seg_list)) # 全模式seg_list = jieba.cut("我來到北京清華大學", cut_all=False)print("Default Mode: " + "/ ".join(seg_list)) # 默認模式seg_list = jieba.cut("他來到了網易杭研大廈")print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明碩士畢業於×××計算所,後在日本京都大學深造") # 搜索引擎模式print(", ".join(seg_list))print('='*40)print('2. 添加自定義詞典/調整詞典')print('-'*40)print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False)))#如果/放到/post/中將/出錯/。print(jieba.suggest_freq(('中', '將'), True))#494print('/'.join(jieba.cut('如果放到post中將出錯。', HMM=False)))#如果/放到/post/中/將/出錯/。print('/'.join(jieba.cut('「臺中」正確應該不會被切開', HMM=False)))#「/臺/中/」/正確/應該/不會/被/切開print(jieba.suggest_freq('臺中', True))#69print('/'.join(jieba.cut('「臺中」正確應該不會被切開', HMM=False)))#「/臺中/」/正確/應該/不會/被/切開print('='*40)print('3. 關鍵詞提取')print('-'*40)print(' TF-IDF')print('-'*40)s = "此外,公司擬對全資子公司吉林歐亞置業有限公司增資4.3億元,增資後,吉林歐亞置業註冊資本由7000萬元增加到5億元。吉林歐亞置業主要經營範圍爲房地產開發及百貨零售等業務。目前在建吉林歐亞城市商業綜合體項目。2013年,實現營業收入0萬元,實現淨利潤-139.13萬元。"for x, w in jieba.analyse.extract_tags(s, withWeight=True): print('%s %s' % (x, w))print('-'*40)print(' TextRank')print('-'*40)for x, w in jieba.analyse.textrank(s, withWeight=True): print('%s %s' % (x, w))print('='*40)print('4. 詞性標註')print('-'*40)words = jieba.posseg.cut("我愛北京天安門")for word, flag in words: print('%s %s' % (word, flag))print('='*40)print('6. Tokenize: 返回詞語在原文的起止位置')print('-'*40)print(' 默認模式')print('-'*40)result = jieba.tokenize('永和服裝飾品有限公司')for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))print('-'*40)print(' 搜索模式')print('-'*40)result = jieba.tokenize('永和服裝飾品有限公司', mode='search')for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
輸出:
Building prefix dict from the default dictionary ...========================================1. 分詞----------------------------------------Loading model from cache C:\Users\ADMINI~1\AppData\Local\Temp\jieba.cacheFull Mode: 我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學Loading model cost 1.252 seconds.Default Mode: 我/ 來到/ 北京/ 清華大學Prefix dict has been built succesfully.他, 來到, 了, 網易, 杭研, 大廈小明, 碩士, 畢業, 於, 中國, 科學, 學院, 科學院, ×××, 計算, 計算所, ,, 後, 在, 日本, 京都, 大學, 日本京都大學, 深造========================================2. 添加自定義詞典/調整詞典----------------------------------------如果/放到/post/中將/出錯/。494如果/放到/post/中/將/出錯/。「/臺/中/」/正確/應該/不會/被/切開69「/臺中/」/正確/應該/不會/被/切開========================================3. 關鍵詞提取---------------------------------------- TF-IDF----------------------------------------歐亞 0.7300142700289363吉林 0.659038184373617置業 0.4887134522112766萬元 0.3392722481859574增資 0.335824019852340454.3 0.254356755380851067000 0.254356755380851062013 0.25435675538085106139.13 0.25435675538085106實現 0.19900979900382978綜合體 0.19480309624702127經營範圍 0.19389757253595744億元 0.1914421623587234在建 0.17541884768425534全資 0.17180164988510638註冊資本 0.1712441526百貨 0.16734460041382979零售 0.1475057117057447子公司 0.14596045237787234營業 0.13920178509021275---------------------------------------- TextRank----------------------------------------吉林 1.0歐亞 0.9966893354178172置業 0.6434360313092776實現 0.5898606692859626收入 0.43677859947991454增資 0.4099900531283276子公司 0.35678295947672795城市 0.34971383667403655商業 0.34817220716026936業務 0.3092230992619838在建 0.3077929164033088營業 0.3035777049319588全資 0.303540981053475綜合體 0.29580869172394825註冊資本 0.29000519464085045有限公司 0.2807830798576574零售 0.27883620861218145百貨 0.2781657628445476開發 0.2693488779295851經營範圍 0.2642762173558316========================================4. 詞性標註----------------------------------------我 r愛 v北京 ns天安門 ns========================================6. Tokenize: 返回詞語在原文的起止位置---------------------------------------- 默認模式----------------------------------------word 永和 start: 0 end:2word 服裝 start: 2 end:4word 飾品 start: 4 end:6word 有限公司 start: 6 end:10---------------------------------------- 搜索模式----------------------------------------word 永和 start: 0 end:2word 服裝 start: 2 end:4word 飾品 start: 4 end:6word 有限 start: 6 end:8word 公司 start: 8 end:10word 有限公司 start: 6 end:10
4. 詞性標註
jieba.posseg.POSTokenizer(tokenizer=None)
新建自定義分詞器,tokenizer
參數可指定內部使用的jieba.Tokenizer
分詞器。jieba.posseg.dt
爲默認詞性標註分詞器。標註句子分詞後每個詞的詞性,採用和 ictclas 兼容的標記法。
用法示例
import jieba.posseg as pseg
words = pseg.cut("我愛北京天安門")
for word, flag in words:
print('%s %s' % (word, flag))
...
我 r
愛 v
北京 ns
天安門 ns
5. 並行分詞
原理:將目標文本按行分隔後,把各行文本分配到多個 Python 進程並行分詞,然後歸併結果,從而獲得分詞速度的可觀提升
基於 python 自帶的 multiprocessing 模塊,目前暫不支持 Windows
用法:
jieba.enable_parallel(4)
# 開啓並行分詞模式,參數爲並行進程數jieba.disable_parallel()
# 關閉並行分詞模式例子:https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
import sysimport timesys.path.append("../../")import jiebajieba.enable_parallel()url = sys.argv[1]content = open(url,"rb").read()t1 = time.time()words = "/ ".join(jieba.cut(content))t2 = time.time()tm_cost = t2-t1log_f = open("1.log","wb")log_f.write(words.encode('utf-8'))print('speed %s bytes/second' % (len(content)/tm_cost))
實驗結果:在 4 核 3.4GHz Linux 機器上,對金庸全集進行精確分詞,獲得了 1MB/s 的速度,是單進程版的 3.3 倍。
注意:並行分詞僅支持默認分詞器
jieba.dt
和jieba.posseg.dt
。
6. Tokenize:返回詞語在原文的起止位置
注意,輸入參數只接受 unicode
默認模式
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 start: 4 end:6
word 有限公司 start: 6 end:10
result = jieba.tokenize(u'永和服裝飾品有限公司')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
搜索模式
word 永和 start: 0 end:2
word 服裝 start: 2 end:4
word 飾品 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
result = jieba.tokenize(u'永和服裝飾品有限公司', mode='search')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
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
# -*- coding: UTF-8 -*-from __future__ import unicode_literalsimport sys,ossys.path.append("../")from whoosh.index import create_in,open_dirfrom whoosh.fields import *from whoosh.qparser import QueryParserfrom jieba.analyse import ChineseAnalyzeranalyzer = ChineseAnalyzer()schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT(stored=True, analyzer=analyzer))if not os.path.exists("tmp"): os.mkdir("tmp")ix = create_in("tmp", schema) # for create new index#ix = open_dir("tmp") # for read onlywriter = ix.writer()writer.add_document( title="document1", path="/a", content="This is the first document we’ve added!")writer.add_document( title="document2", path="/b", content="The second one 你 中文測試中文 is even more interesting! 吃水果")writer.add_document( title="document3", path="/c", content="買水果然後來世博園。")writer.add_document( title="document4", path="/c", content="工信×××幹事每月經過下屬科室都要親×××代24×××換機等技術性器件的安裝工作")writer.add_document( title="document4", path="/c", content="咱倆交換一下吧。")writer.commit()searcher = ix.searcher()parser = QueryParser("content", schema=ix.schema)for keyword in ("水果世博園","你","first","中文","交換機","交換"): print("result of ",keyword) q = parser.parse(keyword) results = searcher.search(q) for hit in results: print(hit.highlights("content")) print("="*10)for t in analyzer("我的好朋友是李明;我愛北京天安門;IBM和Microsoft; I have a dream. this is intetesting and interested me a lot"): print(t.text)
8. 命令行分詞
使用示例:python -m jieba news.txt > cut_result.txt
命令行選項(翻譯):
使用: python -m jieba [options] filename結巴命令行界面。固定參數:filename 輸入文件可選參數:-h, --help 顯示此幫助信息並退出-d [DELIM], --delimiter [DELIM]使用 DELIM 分隔詞語,而不是用默認的' / '。若不指定 DELIM,則使用一個空格分隔。-p [DELIM], --pos [DELIM]啓用詞性標註;如果指定 DELIM,詞語和詞性之間用它分隔,否則用 _ 分隔-D DICT, --dict DICT 使用 DICT 代替默認詞典-u USER_DICT, --user-dict USER_DICT使用 USER_DICT 作爲附加詞典,與默認詞典或自定義詞典配合使用-a, --cut-all 全模式分詞(不支持詞性標註)-n, --no-hmm 不使用隱含馬爾可夫模型-q, --quiet 不輸出載入信息到 STDERR-V, --version 顯示版本信息並退出如果沒有指定文件名,則使用標準輸入。
--help
選項輸出:
$> python -m jieba --helpJieba command line interface.positional arguments:filename input fileoptional arguments:-h, --help show this help message and exit-d [DELIM], --delimiter [DELIM]use DELIM instead of ' / ' for word delimiter; or aspace if it is used without DELIM-p [DELIM], --pos [DELIM]enable POS tagging; if DELIM is specified, use DELIMinstead of '_' for POS delimiter-D DICT, --dict DICT use DICT as dictionary-u USER_DICT, --user-dict USER_DICTuse USER_DICT together with the default dictionary orDICT (if specified)-a, --cut-all full pattern cutting (ignored with POS tagging)-n, --no-hmm don't use the Hidden Markov Model -q, --quiet don't print loading messages to stderr-V, --version show program's version number and exitIf no filename specified, use STDIN instead.
延遲加載機制
jieba 採用延遲加載,import jieba
和 jieba.Tokenizer()
不會立即觸發詞典的加載,一旦有必要纔開始加載詞典構建前綴字典。如果你想手工初始 jieba,也可以手動初始化。
在 0.28 之前的版本是不能指定主詞典的路徑的,有了延遲加載機制後,你可以改變主詞典的路徑:jieba.set_dictionary('data/dict.txt.big')
例子: https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py
#encoding=utf-8from __future__ import print_functionimport syssys.path.append("../")import jiebadef cuttest(test_sent): result = jieba.cut(test_sent) print(" ".join(result))def testcase(): cuttest("這是一個伸手不見五指的黑夜。我叫孫悟空,我愛北京,我愛Python和C++。") cuttest("我不喜歡日本和服。") cuttest("雷猴迴歸人間。") cuttest("工信×××幹事每月經過下屬科室都要親×××代24×××換機等技術性器件的安裝工作") cuttest("我需要廉租房") cuttest("永和服裝飾品有限公司") cuttest("我愛北京天安門") cuttest("abc") cuttest("隱馬爾可夫") cuttest("雷猴是個好網站") if __name__ == "__main__": testcase() jieba.set_dictionary("foobar.txt") print("================================") testcase()
其他詞典
佔用內存較小的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small
支持繁體分詞更好的詞典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下載你所需要的詞典,然後覆蓋' jieba/dict.txt '即可;或者用 'jieba.set_dictionary('data/dict.txt.big')'
常見問題
1. 模型的數據是如何生成的?
詳見: https://github.com/fxsjy/jieba/issues/7
2. “臺中”總是被切成“臺 中”?(以及類似情況)
P(臺中) < P(臺)×P(中),“臺中”詞頻不夠導致其成詞概率較低解決方法:強制調高詞頻jieba.add_word('臺中')或者jieba.suggest_freq('臺中', True)
3. “今天天氣 不錯”應該被切成“今天 天氣 不錯”?(以及類似情況)
解決方法:強制調低詞頻jieba.suggest_freq(('今天', '天氣'), True)或者直接刪除該詞jieba.del_word('今天天氣')
4. 切出了詞典中沒有的詞語,效果不理想?
解決方法:關閉新詞發現jieba.cut('豐田太省了', HMM=False) jieba.cut('我們中出了一個叛徒', HMM=False)