一、简介
中文分词(Chinese Word Segmentation) 指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。
中文分词是其他中文 (信息) 处理的基础,搜索引擎、机器翻译(MT)、语音合成、自动分类、自动摘要、自动校对等等,都需要用到分词。
目前主流分词方法:基于规则,基于统计以及二者混合。
基于规则的分词:主要是人工建立词库也叫做词典,通过词典匹配的方式对句子进行划分。其实现简单高效,但是对未登陆词很难进行处理。主要有正向最大匹配法FMM,逆向最大匹配法RMM以及双向最大匹配法Bi-MM。
def FMM_func(user_dict, sentence):
"""
正向最大匹配(FMM)
:param user_dict: 词典
:param sentence: 句子
"""
# 词典中最长词长度
max_len = max([len(item) for item in user_dict])
start = 0
while start != len(sentence):
index = start+max_len
if index>len(sentence):
index = len(sentence)
for i in range(max_len):
if (sentence[start:index] in user_dict) or (len(sentence[start:index])==1):
print(sentence[start:index], end='/')
start = index
break
index += -1
def BMM_func(user_dict, sentence):
"""
反向最大匹配(BMM)
:param user_dict:词典
:param sentence:句子
"""
# 词典中最长词长度
max_len = max([len(item) for item in user_dict])
result = []
start = len(sentence)
while start != 0:
index = start - max_len
if index < 0:
index = 0
for i in range(max_len):
if (sentence[index:start] in user_dict) or (len(sentence[start:index])==1):
result.append(sentence[index:start])
start = index
break
index += 1
for i in result[::-1]:
print(i, end='/')
双向最大匹配法:FMM和BMM两种算法都分词一遍,然后根据大颗粒度词越多越好,非词典词和单字词越少越好的原则,选取其中一种分词结果输出。
如:“我们在野生动物园玩”
正向最大匹配法,最终分词结果为:“我们/在野/生动/物/园/玩”,其中,总分词数6个,单字词为3。
逆向最大匹配法,最终分词结果为:“我们/在/野生动物园/玩”,其中,总分词数4个,单字词为2。
选择标准:
- 首先看两种方法结果的分词数,分词数越少越好;
- 分词数相同的情况下,看单字词的数量,越少越好;
因此最终输出为逆向结果。
https://zhuanlan.zhihu.com/p/103392455
二、Jieba
中文分词有很多种,常见的比如有中科院计算所 NLPIR、哈工大 LTP、清华大学 THULAC 、斯坦福分词器、Hanlp 分词器、jieba 分词、IKAnalyzer 等。
官方: https://github.com/fxsjy/jieba
1、分词
三种分词算法
- 基于统计词典,构造前缀词典,基于前缀词典对句子进行切分,得到所有切分可能,根据切分位置,构造一个有向无环图(DAG);
- 基于DAG图,采用动态规划计算最大概率路径(最有可能的分词结果),根据最大概率路径分词;
- 对于新词(词库中没有的词),采用有汉字成词能力的 HMM 模型进行切分。
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。
import jieba
content = "现如今,机器学习和深度学习带动人工智能飞速的发展,并在图片处理、语音识别领域取得巨大成功。"
# 1、精确
segs_1 = jieba.cut(content, cut_all=False)
print("/".join(segs_1))
#用lcut生成list
segs_2 = jieba.lcut(content)
print(segs_2)
# 2、全模式
segs_3 = jieba.cut(content, cut_all=True)
print("/".join(segs_3))
# 3、搜索引擎
segs_4 = jieba.cut_for_search(content)
print("/".join(segs_4))
1
现如今/,/机器/学习/和/深度/学习/带动/人工智能/飞速/的/发展/,/并/在/图片/处理/、/语音/识别/领域/取得/巨大成功/。
['现如今', ',', '机器', '学习', '和', '深度', '学习', '带动', '人工智能', '飞速', '的', '发展', ',', '并', '在', '图片', '处理', '、', '语音', '识别', '领域', '取得', '巨大成功', '。']
2
现如今/如今///机器/学习/和/深度/学习/带动/动人/人工/人工智能/智能/飞速/的/发展///并/在/图片/处理///语音/识别/领域/取得/巨大/巨大成功/大成/成功//
3
如今/现如今/,/机器/学习/和/深度/学习/带动/人工/智能/人工智能/飞速/的/发展/,/并/在/图片/处理/、/语音/识别/领域/取得/巨大/大成/成功/巨大成功/。
用 lcut 生成 list
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(Unicode)。jieba.lcut 对 cut 的结果做了封装,l 代表 list,即返回的结果是一个 list 集合。同样的,用 jieba.lcut_for_search
也直接返回 list 集合。
2、载入字典
自定义添加词到字典
- jieba.add_word("深享网")
- jieba.load_userdict('user_dict.txt')
3、关键词提取
- 基于TF-IDF
- 基于TextRank
4、词性标注
jieba 可以很方便地获取中文词性,通过 jieba.posseg 模块实现词性标注。
import jieba.posseg as psg
content = "现如今,机器学习和深度学习带动人工智能飞速的发展,并在图片处理、语音识别领域取得巨大成功。"
print([(x.word,x.flag) for x in psg.lcut(content)])
[('现如今', 't'), (',', 'x'), ('机器', 'n'), ('学习', 'v'), ('和', 'c'), ('深度', 'ns'), ('学习', 'v'), ('带动', 'v'), ('人工智能', 'n'), ('飞速', 'n'), ('的', 'uj'), ('发展', 'vn'), (',', 'x'), ('并', 'c'), ('在', 'p'), ('图片', 'n'), ('处理', 'v'), ('、', 'x'), ('语音', 'n'), ('识别', 'v'), ('领域', 'n'), ('取得', 'v'), ('巨大成功', 'nr'), ('。', 'x')]
三、准确分词方法(以jieba、hanlp为例)
1加载自定义字典
当分词工具分词不准确时,需要加载自定义词典!
正则表达式常用函数
①re.sub用于替换字符串中的匹配项
②compile 函数:用于编译正则表达式,生成一个正则表达式( Pattern )对象
③findall 函数:在字符串中找到正则表达式所匹配的所有子串,并返回一个列表,如果没有找到匹配的,则返回空列表。
注意: match 和 search 是匹配一次 findall 匹配所有。
④split 函数:按照能够匹配的子串将字符串分割后返回列表
2动态调整词频和字典顺序
当分词字典的词冲突,相互影响时,需要调整词频和字典顺序!
①假设字典中定义的词也可能被切开,此时需要调用jieba.suggest_freq函数
例如“台中”,字典中定义了依然会分为“台”,“中”
②使用hanlp时,需要用sort_dict_by_lenth.py来排序字典,不然会冲突
比如字典中有“数据挖掘算法工程师”和“数据挖掘”两个,排序后就可以最长字符串匹配
③拓展: 基于词典的中文分词