jieba分词原理

jieba分词作为最常用的中文分词工具，来学习记录一下。

jieba分词的逻辑框架图

jieba分词的四种模式支持四种分词模式：

精确模式：试图将句子最精确地切开，适合文本分析；（默认模式）
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，pip install paddlepaddle-tiny==1.6.1。

支持载入自定义词典

开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率
用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
词频省略时使用自动计算的能保证分出该词的词频。

算法原理

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法。

对于未知词的分词结果

对于未知词，jieba分词默认是使用HMM进行分词的；如果将HMM设置为False，就会按字切分。

import jieba
s = '谢先招最帅了'
cut = (' '.join(jieba.cut(s)))
print([i for i in cut.split()])

cut = (' '.join(jieba.cut(s,HMM = False)))
print([i for i in cut.split()])

得到结果如下：
[‘谢先招’, ‘最帅’, ‘了’]
[‘谢’, ‘先’, ‘招’, ‘最’, ‘帅’, ‘了’]

参考

jieba分词github
中文分词原理理解+jieba分词详解（二）
jieba分词的原理（文末有维特比算法讲解）