自然語言處理之jieba分詞

英文分詞可以使用空格，中文就不同了，一些分詞的原理后面再來說，先說下python中常用的jieba這個工具。

首先要注意自己在做練習時不要使用jieba.Py命名文件，否則會出現

jieba has no attribute named cut …等這些，如果刪除了自己創建的jieba.py還有錯誤是因為沒有刪除jieba.pyc文件。

（1）基本分詞函數和用法

　　首先介紹下分詞的三種模式：

　　精確模式：適合將句子最精確的分開，適合文本分析；

　　全模式：把句子中所有可以成詞的詞語都掃描出來，速度快，但是不能解決歧義；

　　搜索引擎模式：在精確模式的基礎上，對長詞再次進行切分，提高召回率，適用於搜索引擎分詞；

　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 循環來獲得分詞后得到的每一個詞語

　　jieba.cut 方法接受三個輸入參數:

• 需要分詞的字符串
• cut_all 參數用來控制是否采用全模式
• HMM 參數用來控制是否使用 HMM 模型

　　jieba.cut_for_search 方法接受兩個參數

• 需要分詞的字符串
• 是否使用 HMM 模型。

　　

import jieba 
seg_list = jieba.cut("我愛學習自然語言處理", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我愛自然語言處理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精確模式

seg_list = jieba.cut("他畢業於上海交通大學，在百度深度學習研究院進行研究")  # 默認是精確模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所，后在哈佛大學深造")  # 搜索引擎模式
print(", ".join(seg_list))

 

jieba.lcut以及jieba.lcut_for_search直接返回 list

import jieba 
result_lcut = jieba.lcut("小明碩士畢業於中國科學院計算所，后在哈佛大學深造")
result_lcut_for_search = jieba.lcut("小明碩士畢業於中國科學院計算所，后在哈佛大學深造",cut_all=True)
print ('result_lcut:',result_lcut)
print ('result_lcut_for_search:',result_lcut_for_search)

print (" ".join(result_lcut))
print (" ".join(result_lcut_for_search))

　　添加用戶自定義字典：

　　很多時候我們需要針對自己的場景進行分詞，會有一些領域內的專有詞匯。

• 1.可以用jieba.load_userdict(file_name)加載用戶字典
• 2.少量的詞匯可以自己用下面方法手動添加：
  • 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中動態修改詞典
  • 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。

import jieba
result_cut=jieba.cut('如果放到舊字典中將出錯。', HMM=False)
print('/'.join(result_cut))
jieba.suggest_freq(('中', '將'), True)
result_cut=jieba.cut('如果放到舊字典中將出錯。', HMM=False)
print('/'.join(result_cut))

（2）關鍵詞提取

基於TF-IDF的關鍵詞抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 為待提取的文本
  • topK 為返回幾個 TF/IDF 權重最大的關鍵詞，默認值為 20
  • withWeight 為是否一並返回關鍵詞權重值，默認值為 False
  • allowPOS 僅包括指定詞性的詞，默認值為空，即不篩選

 

import jieba.analyse as analyse
import codecs

lines_NBA = codecs.open('NBA.txt',encoding='utf-8').read()
print ("  ".join(analyse.extract_tags(lines_NBA, topK=20, withWeight=False, allowPOS=())))

另：

    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：jieba.analyse.set_idf_path(file_name) # file_name為自定義語料庫的路徑

    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：jieba.analyse.set_stop_words(file_name) # file_name為自定義語料庫的路徑

基於TextRank的關鍵詞提取

 

import jieba.analyse as analyse
import codecs

lines_NBA = codecs.open('NBA.txt',encoding='utf-8').read()
print("  ".join(analyse.textrank(lines_NBA, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn','v'))))

（3）詞性標注

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 為默認詞性標注分詞器。

import jieba.posseg as pseg
words = pseg.cut("我愛自然語言處理")
for word, flag in words:
    print('%s %s' % (word, flag))

（4）並行分詞

原理：將目標文本按行分隔后，把各行文本分配到多個 Python 進程並行分詞，然后歸並結果，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) # 開啟並行分詞模式，參數為並行進程數
jieba.disable_parallel() # 關閉並行分詞模式

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。

 

 --------------------------------我是結束分割線 --------------------------------

 注：本文參考寒小陽自然語言處理