中文分词工具jieba分词器的使用

1.常见的中文分词工具
  • 中科院计算所的NLPIR
  • 哈工大LTP
  • 清华大学THULAC
  • 斯坦福分词器
  • Hanlp分词器
  • jieba分词
  • IKAnalyzer
2.jieba分词算法主要有以下三种:
  • 1.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)
  • 2.针对DAG图,采用动态规划计算最大概率路径(最优可能的分词结果),根据最大概率路径分词
  • 3.对新词(词库中没有的词),采用有汉字成词能力的HMM模型进行切分。
import jieba
content = "现在,机器学习和深度学习带动人工智能飞速的发展,并在图像处理、语音识别领域取得巨大成功。"
3.精确分词:精确模式试图将句子最精确地切开,精确分词也是默认的分词方式
segs_1 = jieba.cut(content, cut_all=False)
print("/".join(segs_1))
4.全模式分词:把句子中所有的可能是词语的都扫描出来,速度非常快,但不能解决歧义。
segs_2 = jieba.cut(content, cut_all=True)
print("/".join(segs_2))
5.搜索引擎模式:在精确模式的基础上,对长词再次进行划分,提高召回率Recall,适用于搜索引擎分词。
segs_3 = jieba.cut_for_search(content)
print("/".join(segs_3))
6.用lcut生成list
  • jieba.cut和jieba.cut_for_search返回的结果都是一个可迭代的生成器,可以使用for循环来获得分词后得到的每个词语(unicode编码)。jieba.lcut对cut的结果进行了封装,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。
segs_4 = jieba.lcut(content)
print(segs_4)
7.获取词性
  • 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

[(x.word, x.flag) for x in psg.lcut(content)]
8.并行分词
  • 并行分词原理是为文本按行分隔后,分配到多个python进程并进行分词,最终归并结果。
  • 并行分词仅支持默认分词器jieba.dt和jieba.posseg.dt,目前暂不支持windows系统
jieba.enable_parallel(4)  # 开启并行分词模式,参数为并行进程数
jieba.disable_parallen()  # 关闭并行分词模式
9.获取分词结果中词列表的top N
from collections import Counter

top5 = Counter(segs_4).most_common(5)
top5
10.自定义添加词和字典
  • 默认情况下,使用默认分词,是识别不出来这句话中的“字节跳动”这个新词,这里使用用户字典提高分词的准确性。
txt = "字节跳动是中国一家新兴的互联网公司。"
segs_5 = jieba.lcut(txt)
segs_5
  • 添加一个新词到字典中,结果就不一样了
jieba.add_word("字节跳动")
segs_6 = jieba.lcut(txt)
segs_6
  • 但是,如果要添加很多个词语时,一个个添加效率就不高了。这时候可以定义一个文件,然后通过load_userdict()函数,加载自定义词典,如下所示:
txt1 = "火山小视频是字节跳动公司开发的一款应用软件。"
jieba.load_userdict("user_dict.txt")  # user_dict.txt是自己创建的一个自定义的新词词典
segs_7 = jieba.lcut(txt1)
segs_7
11.注意的地方
  • jieba.cut()方法接收三个输入参数: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()方法接收两个参数:需要分词的字符串、是否使用HMM模型。该方法适用于搜索引擎构建倒排索引的分词,细粒度较高。
12.相关说明
  • 1
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值