结巴分词原理

介绍

结巴分词是一个受大家喜爱的分词库，源码地址为github，今天我们就跟进源码，看一下结巴分词的原理

原理

    def cut(self, sentence, cut_all=False, HMM=True):
        '''
        The main function that segments an entire sentence that contains
        Chinese characters into separated words.

        Parameter:
            - sentence: The str(unicode) to be segmented.
            - cut_all: Model type. True for full pattern, False for accurate pattern.
            - HMM: Whether to use the Hidden Markov Model.
        '''

使用结巴分词的时候，有三种模式，这三种模式的进入条件分别为：

        if cut_all:
            cut_block = self.__cut_all
        elif HMM:
            cut_block = self.__cut_DAG
        else:
            cut_block = self.__cut_DAG_NO_HMM

首先我们看一下这三种模式

• __cut_all:

  1. 原句：我来到北京清华大学　结果：我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
  2. 原句：他来到了网易杭研大厦　结果：他/ 来到/ 了/ 网易/ 杭/ 研/ 大厦

• __cut_DAG:

  1. 原句：我来到北京清华大学　结果:我/ 来到/ 北京/ 清华大学
  2. 原句：他来到了网易杭研大厦 结果：他/ 来到/ 了/ 网易/ 杭研/ 大厦

• __cut_DAG_NO_HMM:

  1. 原句：我来到北京清华大学　结果:我/ 来到/ 北京/ 清华大学
  2. 原句：他来到了网易杭研大厦 结果：他/ 来到/ 了/ 网易/ 杭/ 研/ 大厦

下面我们就来分析一下这三种模式：
这三种模式有一个共同点，第一步都是先构造DAG，也就是构造有向无环图。
源码如下：

    def get_DAG(self, sentence):
        self.check_initialized()
        DAG = {}
        N = len(sentence)
        for k in xrange(N):
            tmplist = []
            i = k
            frag = sentence[k]
            while i < N and frag in self.FREQ:
                if self.FREQ[frag]:
                    tmplist.append(i)
                i += 1
                frag = sentence[k:i + 1]
            if not tmplist:
                tmplist.append(k)
            DAG[k] = tmplist
        return DAG

如果sentence是'我来到北京清华大学‘，那么DAG为

{0: [0], 1: [1, 2], 2: [2], 3: [3, 4], 4: [4], 5: [5, 6, 8], 6: [6, 7], 7: [7, 8], 8: [8]}

直观上来看，DAG[5]=[5,6,8]的意思就是，以’清‘开头的话，分别以5、6、8结束时，可以是一个词语，即’清‘、’清华‘、’清华大学‘
get_DAG方法中，最重要的也就是self.FREQ了，它是怎么来的呢？

其实就是通过jieba目录下，dict.txt文件来产生的self.FREQ,方法如下：
dict.txt共有349046行，每一行格式为：

一 217830 m
一一 1670 m
一一二 11 m
一一例 3 m
一一分 8 m
一一列举 34 i

第一部分为词语，第二部分为该词出现的频率，第三部分为该词的词性。
以读取’一一列举‘为例子，首先执行self.FREQ['一一列举']=34，然后会检查’一‘、’一一‘、’一一列‘、’一一列举‘之前是否在self.FREQ中存储过，如果之前存储过，则跳过，否则执行self.FREQ['一']=0，self.FREQ['一一']=0，self.FREQ['一一列']=0
所以self.FREQ中不止存储了正常的词语和它出现的次数，同时也存储了所有词语的前缀，并将前缀出现的次数设置为0,以和正常词语区别开。

好了，现在DAG这部分我们介绍完了，然后我们分开来介绍一下这三种模式：

__cut_all

源码如下：

    def __cut_all(self, sentence):
        dag = self.get_DAG(sentence)
        old_j = -1
        for k, L in iteritems(dag):
            if len(L) == 1 and k > old_j:
                yield sentence[k:L[0] + 1]
                old_j = L[0]
            else:
                for j in L:
                    if j > k:
                        yield sentence[k:j + 1]
                        old_j = j

这个具体的遍历方式我们就不细说了，大家自行看源码吧

__cut_DAG

    def __cut_DAG(self, sentence):
        DAG = self.get_DAG(sentence)
        route = {}
        self.calc(sentence, DAG, route)
        ......

首先我们先看一下self.calc方法

    def calc(self, sentence, DAG, route):
        N = len(sentence)
        route[N] = (0, 0)
        logtotal = log(self.total)
        for idx in xrange(N - 1, -1, -1):
            route[idx] = max((log(self.FREQ.get(sentence[idx:x + 1]) or 1) -
                              logtotal + route[x + 1][0], x) for x in DAG[idx])

这里使用了一个技巧，也就是log(a) + log(b) = log(ab)，从而巧妙的避过了乘法，也就避免了溢出的风险。
其实calc函数就是实现了vertibi算法，不了解vertibi算法的同学自行百度吧。

然后再贴上整个__cut_DAG的源码：

    def __cut_DAG(self, sentence):
        DAG = self.get_DAG(sentence)
        route = {}
        self.calc(sentence, DAG, route)
        x = 0
        buf = ''
        N = len(sentence)
        while x < N:
            y = route[x][1] + 1
            l_word = sentence[x:y]
            if y - x == 1:
                buf += l_word
            else:
                if buf:
                    if len(buf) == 1:
                        yield buf
                        buf = ''
                    else:
                        if not self.FREQ.get(buf):
                            recognized = finalseg.cut(buf)
                            for t in recognized:
                                yield t
                        else:
                            for elem in buf:
                                yield elem
                        buf = ''
                yield l_word
            x = y

        if buf:
            if len(buf) == 1:
                yield buf
            elif not self.FREQ.get(buf):
                recognized = finalseg.cut(buf)
                for t in recognized:
                    yield t
            else:
                for elem in buf:
                    yield elem

其中，重点关注这一部分

                        if not self.FREQ.get(buf):
                            recognized = finalseg.cut(buf)
                            for t in recognized:
                                yield t

什么时候会进入finalseg.cut(buf)呢？实际上，就是当遇到一些dict.txt中没出现的词的时候，才会进入这个函数：
在这个函数中，就是使用HMM的方法，对这些未识别成功的词进行标注，然后我们来介绍一下项目中相关的内容：

其中，prob_start.py存储的是HMM的起始状态相关的信息，文件中的数字都经过log处理过：

P={'B': -0.26268660809250016,
 'E': -3.14e+100,
 'M': -3.14e+100,
 'S': -1.4652633398537678}

B代表begin，E代表end，M代表middle，S代表single。所以在开始时，HMM的状态只可能是S或者B，而E和M为负无穷
prob_trans.py存储的是状态转移矩阵：

P={'B': {'E': -0.510825623765990, 'M': -0.916290731874155},
 'E': {'B': -0.5897149736854513, 'S': -0.8085250474669937},
 'M': {'E': -0.33344856811948514, 'M': -1.2603623820268226},
 'S': {'B': -0.7211965654669841, 'S': -0.6658631448798212}}

prob_emit.py中存储的是在该状态下出现该汉字的概率，例如p('刘'|S)=-0.916

P={'B': {'\u4e00': -3.6544978750449433,
       '\u4e01': -8.125041941842026,
       '\u4e03': -7.817392401429855,
       '\u4e07': -6.3096425804013165,
       '\u4e08': -8.866689067453933,
       '\u4e09': -5.932085850549891,
       '\u4e0a': -5.739552583325728,
       '\u4e0b': -5.997089097239644,
       '\u4e0d': -4.274262055936421,
       '\u4e0e': -8.355569307500769,
       ......

通过这种方式，也就可以进行分词了。
‘我/ 来到/ 北京/ 清华大学’对应的状态应该为'SBEBEBMME'

__cut_DAG_NO_HMM

其实__cut_DAG_NO_HMM和__cut_DAG的区别就是：对vertibi未成功切分的部分，__cut_DAG_NO_HMM没有使用HMM进行分词。源码如下：

    def __cut_DAG_NO_HMM(self, sentence):
        DAG = self.get_DAG(sentence)
        route = {}
        self.calc(sentence, DAG, route)
        x = 0
        N = len(sentence)
        buf = ''
        while x < N:
            y = route[x][1] + 1
            l_word = sentence[x:y]
            if re_eng.match(l_word) and len(l_word) == 1:
                buf += l_word
                x = y
            else:
                if buf:
                    yield buf
                    buf = ''
                yield l_word
                x = y
        if buf:
            yield buf
            buf = ''