如何在jieba分词中加自定义词典_R-数据挖掘 | jiebaR 分词

一、jiebaR主要函数

1.worker():加载jiebaR库的分词引擎

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")
--------------------
## 参数解释
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

jiebaR库提供了八种分词引擎：

混合模型(MixSegment)

四个分词引擎里面分词效果较好的类，使用最大概率法和隐式马尔科夫模型

最大概率法(MPSegment)

负责根据Trie树构建有向无环图和进行动态规划算法，是分词算法的核心

隐式马尔科夫模型(HMMSegment)

根据基于人民日报等语料库构建的HMM模型来进行分词，主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态，HMM模型由dict/hmm_model.utf8提供，分词算法即viterbi算法。

索引模型(QuerySegment)

先使用混合模型进行切词，再对于切出来的较长的词，枚举句子中所有可能成词的情况，找出词库里存在

标记模型(tag)

Simhash模型(simhash)

关键词模型(keywods)

FullSegment模型(Full)

2.分词语法：[]、<=和segment函数

jiebaR提供了3种分词语句写法：[]符号语法、<=符号语法、segment()函数，三者形式不同，但分词效果一样。