中文分词工具——jieba

汉字是智慧和想象力的宝库。 ——索尼公司创始人井深大

简介

在英语中，单词就是“词”的表达，一个句子是由空格来分隔的，而在汉语中，词以字为基本单位，但是一篇文章的表达是以词来划分的，汉语句子对词构成边界方面很难界定。例如：南京市长江大桥，可以分词为：“南京市/长江/大桥”和“南京市长/江大桥”，这个是人为判断的，机器很难界定。在此介绍中文分词工具jieba，其特点为：

1. 社区活跃、目前github上有19670的star数目
2. 功能丰富，支持关键词提取、词性标注等
3. 多语言支持（Python、C++、Go、R等）
4. 使用简单

Jieba分词结合了基于规则和基于统计这两类方法。首先基于前缀词典进行词图扫描，前缀词典是指词典中的词按照前缀包含的顺序排列，例如词典中出现了“买”，之后以“买”开头的词都会出现在这一部分，例如“买水”，进而“买水果”，从而形成一种层级包含结构。若将词看成节点，词与词之间的分词符看成边，则一种分词方案对应着从第一个字到最后一个字的一条分词路径，形成全部可能分词结果的有向无环图。

jieba安装

安装很简单，先创建一个python3.6的虚拟环境，再激活环境，最后安装命令如下：

conda create -n nlp_py3 python=3.6

source activate nlp_py3

pip install jieba

jieba的三种分词模式

• 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

• MIT 授权协议

主要功能

1. 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（隐马尔可夫） 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
• jieba.lcut 以及 jieba.lcut_for_search 直接返回 list

执行示例：

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。

执行示例：

tips:

P(台中) ＜ P(台)×P(中)，“台中”词频不够导致其成词概率较低

解决方法：强制调高词频

jieba.add_word('台中') 

或者 

jieba.suggest_freq('台中', True)

参考官网：https://github.com/fxsjy/jieba