前言
实习期间在做一个专利分析的项目,用到了文本处理的方法,大部分文本分析类的项目应该都离不开分词这个最基础的操作吧,我在做项目之前,在网上找了一些例子,搞清楚分词的代码处理流程,就直接在我的项目里用了,当然,我认为这应该是正确的操作,不可能一个项目的开始要等你完全搞懂所运用的理论部分。不过,等项目流程跑完,我还是对此耿耿于怀,于是花了一天时间调研学习了一下jieba分词的理论部分,在此做个总结,也是梳理一遍学习的内容,如果有理解不够透彻的地方,欢迎指正。
这篇文章会站在一个初学者的角度来看待结巴分词,欢迎正在学习的同学一起交流。
jieba分词的流程概括
这部分我认为放在开头来看,会很迷惑,不懂的同学看完后还是没有任何感觉,但是我觉得可以在研究具体细节的同时来对照一下这部分内容,会让你在学习的过程中不会犯迷糊。看完整个流程后再返回来思考一遍,条例会更加清晰。
- 依据统计词典(模型中这部分已经具备,也可自定义加载)构建统计词典中词的前缀词典。
- 依据前缀词典对输入的句子进行DAG(有向无环图)的构造。
- 使用动态规划的方法在DAG上找到一条概率最大路径,依据此路径进行分词。
- 对于未收录词(是指不在统计词典中出现的词,未收录词怎么识别可以看完第三部分之后思考一下),使用HMM(隐马尔克夫模型)模型,用Viterbi(维特比)算法找出最可能出现的隐状态序列。
注:HMM的理解可以查看李航的统计学习方法,它主要分为三个问题的解决来讲解HMM,如果,你着急搞明白在jieba分词中怎么使用的HMM,可以着重看第三个预测问题。
统计词典
统计词典在jieba包的dict.txt文件中,是开发者已经统计好的词典
dict.txt里第一列代表的是词语,第二列是词频,第三列是词性,我们主要用到前两列信息,词性这部分,这里没有涉及。
前缀词典
当程序运行的时候,它会加载统计词典生成前缀词典,前缀词典是表示什么的呢,我们举个简单的例子。
比如统计词典中含有如下词语
我 123
在 234
学习 456
结巴 345
分词 456
结巴分词