jieba源码解析（二）：jieba.cut

最新推荐文章于 2023-08-01 21:56:44 发布

weixin_30254435

最新推荐文章于 2023-08-01 21:56:44 发布

阅读量6.2k

点赞数 5

文章标签： python 数据结构与算法

原文链接：http://www.cnblogs.com/aloiswei/p/11567616.html

版权

本文深入解析jieba分词库的`jieba.cut`功能，详细介绍了全模式、精确模式和搜索引擎模式的实现。重点讨论了在精确模式下，如何通过构建有向无环图(DAG)以及动态规划方法计算最大概率路径，实现高效分词。

摘要由CSDN通过智能技术生成

前一章介绍了jieba分词之前关于前缀词典的构建，本章介绍jieba的主体：jieba.cut。
jieba分词有三种模式：全模式、精确模式、搜索引擎模式。全模式和精确模式通过jieba.cut实现，搜索引擎模式对应cut_for_search，且三者均可以通过参数HMM决定是否使用新词识别功能。官方例子：

# encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式
# 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式
# 【精确模式】: 我/ 来到/ 北京/ 清华大学

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))
# 【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))
# 【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

jieba.cut

def cut(self, sentence, cut_all=False, HMM=True):
        '''
        jieba分词主函数，返回generator
        参数:
            - sentence: 待切分文本.
            - cut_a