python结巴分词去掉虚词_自然语言处理 | 中文分词器JIEBA分词练习

1.JIEBA简介

jieba是基于Python的中文分词工具，支持繁体分词、自定义词典和三种分词模式：

精确模式，试图将句子最精确地切开，适合文本分析；

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。

算法原理：

基于Trie树结构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

2.Win+Python3.X下的安装使用

JIEBA支持Python2和Python3使用，在Python3.X下JIEBA的Github地址：https://github.com/fxsjy/jieba/tree/jieba3k。

在python环境下安装JIEBA直接pip install jieba即可：

image.png

打开Jupyter进行分词：

import jieba

text = "欧阳建国是创新办主任也是欢聚时代公司云计算方面的专家"

# jieba.cut() 方法接受两个输入参数:

# 需要分词的字符串

# cut_all 参数用来控制是否采用全模式

# 精确模式，默认模式就是精确模式

seg_list = jieba.cut(text, cut_all = False)

print('Default Mode:\n' + '/' .join(seg_list))

# 全模式

seg_list = jieba.cut(text, cut_all = True)

print( "Full Mode:\n" + '/' .join(seg_list))

# jieba.cut_for_search() 方法接受一个参数：

# 需要分词的字符串

# 该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细

# 搜索引擎模式

seg_list = jieba.cut_for_search(text)

print('Research Mode:\n' + '/'.join(seg_list))

运行结果：

Default Mode:

欧阳/建国/是/创新/办/主任/也/是/欢聚/时代/公司/云/计算/方面/的/专家

Full Mode:

欧阳/欧阳建/建国/国是/创新/办/主任/也/是/欢聚/时代/代公/公司/云/计算/方面/的/专家

Research Mode:

欧阳/建国/是/创新/办/主任/也/是/欢聚/时代/公司/云/计算/方面/的/专家

可以看到，“云计算”作为一个近年来很热门的词汇，在这里却并没有被识别为一