NLP基础—jieba分词

jieba分词

支持四种分词模式

• 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。
• paddle模式 利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。 paddle模式使用需安装paddlepaddle-tiny.

jieba分词安装

1. 全自动安装

pip install jieba 

2. 半自动安装

先下载 http://pypi.python.org/pypi/jieba/ 解压后运行 python setup.py install

3. 手动安装

将 jieba 目录放置于当前目录或者 site-packages 目录

通过 import jieba 来引用

如果需要使用paddle模式下的分词和词性标注功能，请先安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。

主要功能

分词

1、基本步骤

初始化

---

初始化时，先加载词典文件dict.txt，遍历每一行，生成词语-词数的键值对和总词数，并将生成结果保存到cache中，下次直接从cache中读取即可。

初始化可以简单理解为，读取词典文件，构建词语-词数键值对，方便后面步骤中查词典，也就是字符串匹配。

切分短语

---

1. 首先进行将语句转换为UTF-8或者GBK。
2. 然后根据用户指定的模式，是否全模式，是否采用HMM隐马尔科夫，来设置cut方式。
3. 然后根据正则，将输入文本分为一个个语句。
4. 最后遍历语句，对每个语句单独进行分词。

构建DAG

---

看构建DAG的过程。

先遍历一个个切分好的短语，对这些短语来进行分词。

首先要构建短语的有向无环图DAG。查词典进行字符串匹配的过程中，可能会出现好几种可能的切分方式，将这些组合构成有向无环图，如下图所示：

得到语句的有向无环图DAG，DAG中记录了某个词的开始位置和它可能的结束位置。开始位置作为key，结束位置是一个list。

上面语句的完整DAG为： { 0: [1, 2], 1: [2], 2: [3, 4, 5], 3: [4], 4: [5] }

比如位置0的DAG表达为 {0: [1, 2]}, 也就是说0位置为词的开始位置时，1, 2位置都有可能是词的结束位置。

动态规划构建Route，计算从语句末尾到语句起始，DAG中每个节点到语句结束位置的最大路径概率，以及概率最大时节点对应词语的结束位置。

def calc(self, sentence, DAG, route):
    N = len(sentence)
    route[N] = (0, 0)
    logtotal = log(self.total)
    for idx in xrange(N - 1, -1, -1):
# route[idx] = (该汉字到最后一个汉字的最大路径概率， 
  # 最大路径概率时该汉字对应的词语结束位置).
# 遍历DAG中该汉字节点的结束位置，也就是DAG[idx]，
  # 计算idx到x之间构成的词语的概率，然后乘以x到语句结束位置的最大概率，
  # 即可得到idx到语句结束的路径最大概率.
        route[idx] = max(
                       (log(self.FREQ.get(sentence[idx:x + 1]) or 1) 
                        - log(total)