自然语言处理之jieba分词

英文分词可以使用空格,中文就不同了,一些分词的原理后面再来说,先说下python中常用的jieba这个工具。

首先要注意自己在做练习时不要使用jieba.Py命名文件,否则会出现

jieba has no attribute named cut …等这些,如果删除了自己创建的jieba.py还有错误是因为没有删除jieba.pyc文件。

(1)基本分词函数和用法

  首先介绍下分词的三种模式:

  精确模式:适合将句子最精确的分开,适合文本分析;

  全模式:把句子中所有可以成词的词语都扫描出来,速度快,但是不能解决歧义;

  搜索引擎模式:在精确模式的基础上,对长词再次进行切分,提高召回率,适用于搜索引擎分词;

 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

  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。

  

 View Code

 

jieba.lcut以及jieba.lcut_for_search直接返回 list

 View Code

  添加用户自定义字典:

  很多时候我们需要针对自己的场景进行分词,会有一些领域内的专有词汇。

  • 1.可以用jieba.load_userdict(file_name)加载用户字典
  • 2.少量的词汇可以自己用下面方法手动添加:
    • 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
    • 用 suggest_freq(segment, tune=True) 可调节单个词语的词频,使其能(或不能)被分出来。

 View Code

(2)关键词提取

基于TF-IDF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

 

 View Code

另:

    关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径:jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径

    关键词提取所使用停止词(Stop Words)文本语料库可以切换成自定义语料库的路径:jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径

基于TextRank的关键词提取

 

 View Code

(3)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。

1 import jieba.posseg as pseg
2 words = pseg.cut("我爱自然语言处理")
3 for word, flag in words:
4     print('%s %s' % (word, flag))

(4)并行分词

原理:将目标文本按行分隔后,把各行文本分配到多个 Python 进程并行分词,然后归并结果,从而获得分词速度的可观提升 基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows

用法:

jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式

实验结果:在 4 核 3.4GHz Linux 机器上,对金庸全集进行精确分词,获得了 1MB/s 的速度,是单进程版的 3.3 倍。

注意:并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

 

 --------------------------------我是结束分割线 --------------------------------

 注:本文参考寒小阳自然语言处理

https://www.cnblogs.com/erbaodabao0611/p/8466821.html

©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页