自然语言处理之jieba分词

英文分词可以使用空格，中文就不同了，一些分词的原理后面再来说，先说下python中常用的jieba这个工具。

首先要注意自己在做练习时不要使用jieba.Py命名文件，否则会出现

jieba has no attribute named cut …等这些，如果删除了自己创建的jieba.py还有错误是因为没有删除jieba.pyc文件。

（1）基本分词函数和用法

　　首先介绍下分词的三种模式：

　　精确模式：适合将句子最精确的分开，适合文本分析；

　　全模式：把句子中所有可以成词的词语都扫描出来，速度快，但是不能解决歧义；

　　搜索引擎模式：在精确模式的基础上，对长词再次进行切分，提高召回率，适用于搜索引擎分词；

　jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语

　　jieba.cut 方法接受三个输入参数:

• 需要分词的字符串
• cut_all 参数用来控制是否采用全模式
• HMM 参数用来控制是否使用 HMM 模型

　　jieba.cut_for_search 方法接受两个参数

• 需要分词的字符串
• 是否使用 HMM 模型。

　　

import jieba 
seg_list = jieba.cut("我爱学习自然语言处理", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我爱自然语言处理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究")  # 默认是精确模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

 

jieba.lcut以及jieba.lcut_for_search直接返回 list

import jieba 
result_lcut = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
result_lcut_for_search = jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造",cut_all=True)
print ('result_lcut:',result_lcut)
print ('result_lcut_for_search:',result_lcut_for_search)

print (" ".join(result_lcut))
print (" ".join(result_lcut_for_search))

　　添加用户自定义字典：

　　很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇。

• 1.可以用jieba.load_userdict(file_name)加载用户字典
• 2.少量的词汇可以自己用下面方法手动添加：
  • 用 add_word(word, freq=None, tag=None) 和 del_word(word) 在程序中动态修改词典
  • 用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

import jieba
result_cut=jieba.cut('如果放到旧字典中将出错。', HMM=False)
print('/'.join(result_cut))
jieba.suggest_freq(('中', '将'), True)
result_cut=jieba.cut('如果放到旧字典中将出错。', HMM=False)
print('/'.join(result_cut))

（2）关键词提取

基于TF-IDF的关键词抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 为待提取的文本
  • topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
  • withWeight 为是否一并返回关键词权重值，默认值为 False
  • allowPOS 仅包括指定词性的词，默认值为空，即不筛选

 

import jieba.analyse as analyse
import codecs

lines_NBA = codecs.open('NBA.txt',encoding='utf-8').read()
print ("  ".join(analyse.extract_tags(lines_NBA, topK=20, withWeight=False, allowPOS=())))

另：

    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：jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径

    关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径：jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径

基于TextRank的关键词提取

 

import jieba.analyse as analyse
import codecs

lines_NBA = codecs.open('NBA.txt',encoding='utf-8').read()
print("  ".join(analyse.textrank(lines_NBA, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn','v'))))

（3）词性标注

jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。

jieba.posseg.dt 为默认词性标注分词器。

import jieba.posseg as pseg
words = pseg.cut("我爱自然语言处理")
for word, flag in words:
    print('%s %s' % (word, flag))

（4）并行分词

原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows

用法：

jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式

实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。

注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。

 

 --------------------------------我是结束分割线 --------------------------------

 注：本文参考寒小阳自然语言处理