jiebaR中文分词，从入门到喜欢

版权声明：本文为博主原创文章，未经博主允许不得转载。

目录(?)[+]

之前，我写过一篇关于Rwordseg包的分词，链接为：http://blog.csdn.net/wzgl__wh/article/details/52528925

今天，我主要想谈谈自己对jiebaR这个包。现在我也比较推荐使用jiebaR这个包，原因也大概总结了一下几点。

	JiebaR	Rwordseg
函数数量	51个	9个
更新速度	快，cran最新版更新于2016-09-28	慢，R-Forge最新版更新于2013-12-15
安装难度	容易	难,需要安装Java。
分词引擎	多	只有一种（隐马尔科夫模型）

（个人观点，还望大家在留言区补充）

一、分词

首先，我们来看一下jiebaR里面最重要的一个函数worker函数，通过它，我们可以设置一些分词类型，用户词典，停用词等等。函数原型为：

[plain]  view plain  copy

1. worker(type = "mix", dict = DICTPATH, hmm = HMMPATH, user = USERPATH,  
2.   idf = IDFPATH, stop_word = STOPPATH, write = T, qmax = 20, topn = 5,  
3.   encoding = "UTF-8", detect = T, symbol = F, lines = 1e+05,  
4.   output = NULL, bylines = F, user_weight = "max")  

现在来说说每个参数的作用。

参数	作用
type	指分词引擎类型，这个包包括mix, mp, hmm, full, query, tag, simhash, keyword,分别指混合模型，支持最大概率，隐马尔科夫模型，全模式，索引模型，词性标注，文本Simhash相似度比较，关键字提取。
dict	词库路径，默认为DICTPATH.
hmm	用来指定隐马尔可夫模型的路径，默认值为DICTPATH,当然也可以指定其他分词引擎
user	用户自定义的词库
idf	用来指定逆文本频率指数路径，默认为DICTPATH，也可以用于simhash和keyword分词引擎
stop_word	用来指定停用词的路径
qmax	词的最大查询长度，默认为20，可用于query分词类型。
topn	关键词的个数，默认为5，可以用于simhash和keyword分词类型
symbol	输出是否保留符号，默认为F
Lines	从文件中最大一次读取的行数。默认为1e+05
output	输出文件，文件名一般时候系统时间。
bylines	返回输入的文件有多少行
user_weight	用户词典的词权重，有"min" "max" or "median"三个选项。

另外一个函数就是segment，它就好比老板，它有三个参数，code就好比任务，jiebar就是一个worker，但是担心worker对工作的方法不懂，那就用mod参数再告诉worker怎么做，也就是用什么分词引擎分词。作用分别如下。它要用这个工人worker去分词。

参数	作用
code	中文句子或者文件
jiebar	设置分词的引擎，也就是worker函数
mod	改变默认的分词引擎类型，其中包括以下几个："mix", "hmm","query","full","level",  "mp"

了解完这些参数之后，我们现在就来简单的做一个小分词。

[plain]  view plain  copy

1. library(jiebaR)  
2. engine<-worker()  
3. words<-"想学R语言，那就赶紧拿起手机，打开微信，关注公众号《跟着菜鸟一起学R语言》，跟着菜鸟一块飞。"  
4. segment(words,engine)  

结果如下：

在这里，我们除了使用segment之外，还可以使用下面代码分词，效果是一样的。

[plain]  view plain  copy

1. engine<=words  

二、添加用户自定义词或词库

那刚才那个例子来说，“公众号”本来就是一个词，结果被分成两个词，因此我需要添加这个词。另外，我也想要“R语言”也被分成一个词。接下来我们就分别使用这两种方法来实现。

1.使用new_user_word函数；

2.使用worker函数中通过user参数添加词库。

（1）new_user_word函数

[plain]  view plain  copy

1. engine_new_word<-worker()  
2. new_user_word(engine_new_word, c("公众号","R语言"))  
3. segment(words,engine_new_word)  

结果如下：

▷ 使用user参数添加词库

看完使用new_user_word函数添加词之后，你是不是心里就在想，如果我有几十个，甚至几百几千个词的话，如果这样输的话那估计得累死。因此我们可以自定义一个词库，然后从词库里面直接读。我建的词库截图如下：

[plain]  view plain  copy

1. engine_user<-worker(user='dictionary.txt')  
2. segment(words,engine_user)  

为了便于比较，我把这两次分词结果图截到一起，如下

需要说明的是，在使用词库的话也可以使用new_user_word函数。第二种方法用也可以用new_user_word写成下面这样，结果是一样的。

[plain]  view plain  copy

1. new_user_word(engine_new_word, scan("dictionary.txt",what="",sep="\n"))  
2. segment(words,engine_new_word)  

三、删除停用词

就拿我们刚才使用的例子，分词之后的“那”，“就”就是停用词，因此我们需要删掉。这里我们需要使用worker函数的stop_word参数。

[plain]  view plain  copy

1. engine_s<-worker(stop_word = "stopwords.txt")  
2. segment(words,engine_s)  

通过对比，我们发些，“那”，“就”已经被删掉了。

四，计算词频

这个jiebaR这个包的功能很全，它已经提供了一个函数——freq，来自动计算获取词频。

这个函数就自动计算了words分词之后的词频，这下我们就很容易使用wordcloud2包绘制词云。

[plain]  view plain  copy

1. freq(segment(words,engine_s))  

五、词性标注

jiebaR包，提供了一个qseg函数，它在分词的时候也会加上词性，它有两种使用方法。

[plain]  view plain  copy

1. qseg[words]  
2. qseg<=words  

结果如下：

其中词性标注也可以使用worker函数的type参数，type默认为mix，仅需将它设置为tag即可。

[plain]  view plain  copy

1. tagger<-worker(type="tag")  
2. tagger<=words  

我自己也找网上找了一些汉语文本词性标注的资料，整理到如下表格。

标注	词性	标注	词性
ag	形容素	a	形容词
ad	副形词	an	名形词
b	区别词	c	连词
Dg	副语素	d	副词
e	叹词	f	方位词
g	语素	h	前接成分
i	成语	j	简称略语
k	后接成分	l	习用语
m	数词	ng	名词素
n	名词	nr	人名
nr1	汉语姓氏	nr2	日语姓氏
nrj	日语人名	nrf	音译人名
ns	地名	nt	机构团体
nz	其他专名	nl	名词性惯用语
vf	取向动词	vx	形式动词
p	介词	q	量词
r	代词	s	处所词
tg	时间词性语素(时语素)	t	时间词
u	助词	vg	动词素
v	动词	vd	副动词
vn	名动词	w	标点符号
y	语气词	x	非语素词
z	状态词	o	拟声词

六，提取关键字

[plain]  view plain  copy

1. #type=keywords  
2. keys<-worker(type="keywords",topn=2)  
3. keys<=words  
4. #type=simhash  
5. keys2<-worker(type="simhash",topn=2)  
6. keys2<=words  

​七、总结

这个jiebaR这个包的功能很全，从分词，到添加词库，到删除停用词，再到统计词频，甚至词性标注和提取关键字，它已经提供了对应得函数，可以说一个包就提供了我们对文本分析所需要的所有基本功能。再统计完词频之后，我们可以很方便的使用Wordcloud2包来绘制词云，这个包的详细使用方法可以阅读我的另外一篇文章：http://blog.csdn.net/wzgl__wh/article/details/52420747

转载请注明

原文链接：http://blog.csdn.net/wzgl__wh/article/details/72036263

作者：王亨

作者公众号：跟着菜鸟一起学R语言