当前浏览器不支持播放音乐或语音,请在微信或其他浏览器中播放
人们说话不是一个词一个词崩出来的,文章也就由句子组成。要想让机器识别美文,体会中华名族汉语的博大精深,不是不可能。但是,首先需要将其转化成其可以识别的模式——词语。分词是自然语言处理(NLP)中最底层、最基本的模块,分词精度的好坏将直接影响文本分析的结果。
这里介绍著名的分词方法:结巴分词以及基本分词方法在Python和R语言中的用法。
Python中的结巴分词
Python中文分词的三种常用模式
精确模式:
全模式
搜索引擎模式
三种模式默认都采用隐马尔科夫模型分词;同时,结巴分词支持繁体分词和自定义字典方法。
导入模块:import jieba
(1)、精确模式:
>>> test = '十堰有道家发源地武当山'
>>> cut1 = jieba.cut(test)
>>> type(cut1)
>>> print('精确分词结果:',' '.join(cut1))
Cut1不能直接查看,‘ ‘.join(cut1)函数指用空格分开cut1里面的元素,然后通过print()函数才能查看。
精确分词结果: 十堰 有 道家 发源地 武当山
(2)、全模式:
>>> cut2 = jieba.cut(test,cut_all = True)
>>> print('全模式分词结果:',' '.join(cut2))
全模式分词结果: 十堰 有 道家 发源 发源地 源地 武当 武当山
把所有可能的词都考虑进来了。“精确模式”其实有默认参数cut_all = False。显然,全模式不管分词后意思会不会有歧义,只管快速分出所有可能的词,不适合做文本分析。
(3)、搜索引擎模式:
>>> cut3 = jieba.cut_for_search(test)
>>> print('搜索引擎模式分词结果:',' '.join(cut3))
搜索引擎模式分词结果: 十堰 有 道家 发源 源地 发源地 武当 武当山
搜索引擎模式也会给出所有可能的分词结果,但是搜索引擎模式对于词典中不存在的词,比如一些很少见、新词,却能给出正确的分词结果。
添加自定义词典
Path = ‘词典路径’
jieba.load_userdict (path2)
然后分词即可。
提取关键词
对于一篇文章,提取关键词,比如指定提取5个关键词:
jieba.analyse.extract_tags(dat,topK = 5)
注意:亲测,词典一般是.txt,默认是ASCII格式,应该另存为utf8模式,为什么?——有中文。其实,帮助文档里面有的。
更多用法:help('jieba')获得更多详细介绍。
R语言结巴分词
"结巴"中文分词的R语言版本,支持最大概率法,隐式马尔科夫模型,索引模型,混合模型,共四种分词模式,同时有词性标注,关键词提取,文本Simhash相似度比较等功能。
包的下载与安装:
>install.packages('jiebaRD')
>install.packages('jiebaR')
> library(jiebaRD)
> library(jiebaR)
分词
> test
首先需要建立分词引擎
> seg
这里“<=”表示分词运算符
> seg<=test
[1] "革命" "尚未" "成功" "同志" "仍" "需" "努力"
与下面这句效果一样
> segment(test,seg)
[1] "革命" "尚未" "成功" "同志" "仍" "需" "努力"
也就是有两种写法:
(1)、seg<=test
(2)、segment(test,seg)
后面的类似都有两种写法。
词性标注:
可以使tag来进行分词和词性标注, 词性标注使用混合模型分词,标注采用和 ictclas 兼容的标记法。
>seg
> test
> segment(test,seg)
vn d a n zg v ad
"革命" "尚未" "成功" "同志" "仍" "需" "努力"
这里seg <= test也是一样的,后面一样有这样写法,只写一种,不再强调指出。
关键词提取:
关键词提取所使用逆向文件频率(IDF)文本语料库可以切换成自定义语料库的路径,使用方法与分词类似。topn参数为关键词的个数,这里只提取一个关键词:
> seg2
> keywords(test,seg2)
6.13553
"同志"
Simhash 与海明距离:
对中文文档计算出对应的simhash值。simhash是谷歌用来进行文本去重的算法,现在广泛应用在文本处理中。Simhash引擎先进行分词和关键词提取,后计算Simhash值和海明距离。
> test
> seg3
> simhash(test,seg3)
$simhash
[1] "13489182016966018967"
$keyword
6.13553 6.0229
"同志" "努力"
列表分词:
支持一次性对多个列表(每个元素为文本)进行分词。
test2
> apply_list(list(test,test2),seg)
[[1]]
vn d a n zg v ad
"革命" "尚未" "成功" "同志" "仍" "需" "努力"
[[2]]
ns v n n ns
"十堰" "有" "道家" "发源地" "武当山"
去除停止词
>seg
还有一些其它设置,比如:
show_dictpath():显示默认的词典路径,有jieba.dict.utf8(最大概率法)、hmm_model.utf8(隐式马尔科夫模型),这两个都是作为分词需要用到的词典;idf.utf8(TF-IDF算法)、stop_words.utf8(停用词词典),这两个词典是做关键词抽取之用。
edit_dict(name = "user"):默认编辑用户自定义词典,还有system(可以打开编辑jieba.dict.utf8),stop_word(停用词典)两个参数值供选择。
还有一些其它参数,具体参见help("jiebaR"),获取更多详细信息,学习利用帮助信息对于R语言的学习很重要。
其实,具体分词引擎worker()怎么设置,我们可以帮助一下:help('worker')就会有:
worker(type = "mix", dict = DICTPATH, hmm = HMMPATH, user = USERPATH,idf = IDFPATH, stop_word = STOPPATH, write = T, qmax = 20, topn = 5,encoding = "UTF-8", detect = T, symbol = F, lines = 1e+05,output = NULL, bylines = F, user_weight = "max")
这里的一些参数:
type, 引擎类型
dict, 系统词典
hmm, HMM模型路径
user, 用户词典
idf, IDF词典
stop_word, 关键词用停止词库
write, 是否将文件分词结果写入文件,默认FALSE
qmax, 最大成词的字符数,默认20个字符
topn, 关键词数,默认5个
encoding, 输入文件的编码,默认UTF-8
detect, 是否编码检查,默认TRUE
symbol, 是否保留符号,默认FALSE
lines, 每次读取文件的最大行数,用于控制读取文件的长度。大文件则会分次读取。
output, 输出路径
bylines, 按行输出
user_weight, 用户权重
欢迎留言、提建议,觉得不错,记得点赞分享哦!
猜你可能喜欢
终于等到你了!
再华丽的词藻也不过简单的分享!
爱生活、爱原创、爱分享!
点击【阅读原文】获得超值课程,降价40!