NLP基础_分词_jieba学习笔记

 基础概念1：分词

        分词是指将文本数据转换为一个一个的单词，是NLP自然语言处理 过程中的基础；因为对于文本信息来讲，我们可以认为文本中的单词可以体 现文本的特征信息，所以在进行自然语言相关任务的时候，第一步操作就是 需要将文本信息转换为单词序列，使用单词序列来表达文本的特征信息。

        对于英文来说，一个单词一般会代表一个实体，所以将空格作为划分即可。但是对于中文来说，一个实体很有可能是有两个或多个字组成。例如“面包”由面和包两个完全不同意思的词组成。因此我们需要一个工具来进行中文词语的划分：jieba

jieba

        Jieba常用的一种Python语言的中文分词和词性标注工具；算法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，然后采用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

基础功能：

        1.分词   

                >前缀词典匹配 、HMM(隐马尔可夫)模型Viterbi算法

        2.自定义词典添加

        3.关键词抽取

                >TF-IDF、TextRank

        4.词性标注

                >HMM模型Viterbi算法

        5.并行分词(当前Windows不支持)

分词

jieba的分词有三种模式：

精确模式 jieba.cut(str):

        >试图将句子最精确地切开，适合文本分析；

全模式 jieba.cut(str,cut_all=True):

        >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 jieba.cut_for_search(str):

        >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。

• jieba.cut()：返回一个迭代器对象

# 导入包
import jieba

word_list = jieba.cut('我来到湖南国防科技大学', cut_all=True)
print("【全模式】: {}".format(" /".join(word_list)))

word_list = jieba.cut('我来到湖南国防科技大学')
print("【精确模式】: {}".format(" /".join(word_list)))

word_list = jieba.cut_for_search('我来到湖南国防科技大学')
print("【搜索引擎模式】: {}".format(" /".join(word_list)))


word_list = jieba.cut("我在台电大厦上班", HMM=False)
print("【仅词典模式】: {}".format(" /".join(word_list)))

word_list = jieba.cut("我在台电大厦上班", HMM=True)
print("【HMM新词发现模式】: {}".format(" /".join(word_list)))

【全模式】: 我 /来到 /湖南 /南国 /国防 /国防科 /国防科技 /国防科技大学 /科技 /大学
【精确模式】: 我 /来到 /湖南 /国防科技大学
【搜索引擎模式】: 我 /来到 /湖南 /国防 /科技 /大学 /国防科 /国防科技大学
【仅词典模式】: 我 /在 /台 /电 /大厦 /上班
【HMM新词发现模式】: 我 /在 /台电 /大厦 /上班

jieba.lcut()：返回一个list集合

同jieba.cut()

自定义词典添加

jieba.load_userdict(./'')：加载给定文件filename中定义的单词

#自定义词典：一词占一行，每行分三个部分：词语，词频（可忽略），词性（可忽略）
饿了么 2 nt
美团 2 nr

#加载词典
jieba.load_userdict('./word_dict.txt')

word_list = jieba.cut('饿了么是你值得信赖的选择', HMM=True)
print("【载入词典后<有HMM>】: {}".format('/'.join(word_list)))

【载入词典后<有HMM>】: 饿了么/是/你/值得/信赖/的/选择

add_word(word, freq=None, tag=None)、del_word(word)

可以在程序中动态修改词典

#例如分词为 徐 狰狞 时，可以做以下操作
jieba.add_word('徐狰狞', 2, 'nr')

 结果输出：徐狰狞

suggest_freq(segment, tune=True)

可以调节单个词语的词频，使其能或者不能被分出来

word_list = jieba.cut('如果放到post中将出错。', HMM=False)
print("【未使用freq】: {}".format('/'.join(word_list)))

【未使用freq】: 如果/放到/post/中将/出错/。

jieba.suggest_freq('中', tune=False)

243192

jieba.suggest_freq(('中', '将'), tune=True)

494

word_list = jieba.cut('如果放到post中将出错。', HMM=False)
print("【使用freq】: {}".format('/'.join(word_list)))

【使用freq】: 如果/放到/post/中/将/出错/。

我们可以看到成功分词

关键词提取

基于TF_IDF

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

• sentence：待提取的文本
• topK：返回多少个TF/IDF权重最大的关键词，默认为20个
• withWeight：是否返回关键词的权重值，默认为False，表示不返回
• allowPOS: 仅提取制定词性的词，默认为空，表示不筛选

基于TextRank

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'), withFlag=False)

• sentence：待提取的文本
• topK：返回多少个TF/IDF权重最大的关键词，默认为20个
• withWeight：是否返回关键词的权重值，默认为False，表示不返回
• allowPOS: 仅提取制定词性的词，默认不为空，表示进行筛选
• withFlag：是否返回单词的词性值，默认为False，表示不返回(仅返回单词)

词性标注 

jieba.posseg.cut()

import jieba.posseg as pseg
sentence = "姚明的职业是什么"
# 分词+词性标注
words = pseg.cut(sentence)

# 输出
print("%8s\t%8s" % ("【单词】", "【词性】"))
for word, flag in words:
    print("%8s\t%8s" % (word, flag))

    【单词】	    【词性】
      姚明	      nr
       的	      uj
      职业	       n
       是	       v
      什么	       r

词性标注对应表