jieba分词

冷不防 2022-05-15 02:48 236阅读 0赞

参考文章：[Github上的项目———jieba][Github_jieba]

# 中文分词 #

对于NLP（自然语言处理）来说，分词是一步重要的工作，市面上也有各种分词库，[11款开放中文分词系统比较][11]。

> 1.基于词典：基于字典、词库匹配的分词方法；（字符串匹配、机械分词法）  
> 2.基于统计：基于词频度统计的分词方法；  
> 3.基于规则：基于知识理解的分词方法。

*  第一类方法应用词典匹配、汉语词法或其它汉语语言知识进行分词，如：最大匹配法、最小分词方法等。这类方法简单、分词效率较高,但汉语语言现象复杂丰富，词典的完备性、规则的一致性等问题使其难以适应开放的大规模文本的分词处理。
 *  第二类基于统计的分词方法则基于字和词的统计信息，如把相邻字间的信息、词频及相应的共现信息等应用于分词，由于这些信息是通过调查真实语料而取得的，因而基于统计的分词方法具有较好的实用性。

jieba分词，完全开源，有集成的python库，简单易用。  
jieba分词是基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)，动态规划查找最大概率路径, 找出基于词频的最大切分组合

# 安装jieba #

在安装有python3 和 pip 的机子上，安装jieba库很简单，使用pip即可：

pip install jieba

*  1

![这里写图片描述][SouthEast]

# jieba分词特性 #

1.  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。
2.  支持繁体分词
3.  支持自定义词典
4.  MIT 授权协议

# 主要功能 #

--------------------

## 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 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
>  *  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 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**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。

> 【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

--------------------

## 关键词提取 ##

--------------------

### 基于 TF-IDF（term frequency–inverse document frequency） 算法的关键词抽取 ###

> import jieba.analyse
> 
> 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

# 基于TF-IDF算法的关键词抽取
    
    import jieba
    import jieba.analyse
    
    sentence = '全国港澳研究会会长徐泽在会上发言指出，学习系列重要讲话要深刻领会 主席关于香港回归后的宪制基础和宪制秩序的论述，这是过去20年特别是中共十八大以来"一国两制"在香港实践取得成功的根本经验。首先，要在夯实 香港的宪制基础、巩固香港的宪制秩序上着力。只有牢牢确立起"一国两制"的宪制秩序，才能保证"一国两制"实践不走样 、不变形。其次，要在完善基本法实施的制度和机制上用功。中央直接行使的权力和特区高度自治权的结合是特区宪制秩 序不可或缺的两个方面，同时必须切实建立以行政长官为核心的行政主导体制。第三，要切实加强香港社会特别是针对公 职人员和青少年的宪法、基本法宣传，牢固树立"一国"意识，坚守"一国"原则。第四，要努力在全社会形成聚焦发展、抵 制泛政治化的氛围和势能，全面准确理解和落实基本法有关经济事务的规定，使香港继续在国家发展中发挥独特作用并由 此让最广大民众获得更实在的利益。'
    
    keywords = jieba.analyse.extract_tags(sentence, topK=20, withWeight=True, allowPOS=('n','nr','ns'))
    
    # print(type(keywords))
    # <class 'list'>
    
    for item in keywords:
        print(item[0],item[1])

运行结果：  
![这里写图片描述][SouthEast 1]

### 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

***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

# 基于TextRank算法的关键词抽取
    
    keywords = jieba.analyse.extract_tags(sentence, topK=20, withWeight=True, allowPOS=('n','nr','ns'))
    
    # type(keywords)
    # <class 'list'>
    
    for item in keywords:
        print(item[0],item[1])

运行结果：

![这里写图片描述][SouthEast 2]

--------------------

## 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。

# 官方例程
    import jieba.posseg as pseg
    
    words = pseg.cut("我爱北京天安门")
    # words类别为：generator
    
    for word, flag in words:
        print('%s %s' % (word, flag))

运行结果：

> 我 r  
> 爱 v  
> 北京 ns  
> 天安门 ns

### 词性对照表 ###

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
23. 转自：：：[https://blog.csdn.net/sinat\_34022298/article/details/75943272][https_blog.csdn.net_sinat_34022298_article_details_75943272]

[Github_jieba]: http://github.com/fxsjy/jieba
[11]: https://segmentfault.com/a/1190000003971257
[SouthEast]: /images/20220515/9f12ff3e8b434d41a0e058ca416b274e.png
[SouthEast 1]: /images/20220515/a85fbd5bae3940f59d7987ec9b31c909.png
[SouthEast 2]: /images/20220515/7e2c0f931394433284ad1bea611140c5.png
[https_blog.csdn.net_sinat_34022298_article_details_75943272]: https://blog.csdn.net/sinat_34022298/article/details/75943272