结巴分词源码分析
闲来无事，在博客园的论坛里随意游荡，看到一个开源的python库，名字叫做结巴分词，一直很好奇这些自然语言的处理方式，但是网上的相关介绍却少的可怜，仅有的一些博客写介绍的比较浅。幸好代码量不多，花了两周的时间把代码和设计的算法仔细的梳理了一边，供大家参考，也希望能够抛砖引玉。
先看一下分词用到了哪些算法，文档里面如下介绍：
• 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
估计是我水平比较菜，反正我看完之后不知所云。废话也不说了，下面好好来讲讲代码，结巴分词最顶层的目录jieba下有如下文件，dict.txt是一个词库，里面记录了大约350000个词语的词频和词性，结巴分词提供的功能接口都定义和实现在__init__.py中，finalseg文件夹中提供了隐马尔科夫维特比算法相关的代码，用于文本切词；analyse中提供了TF-IDF算法和textrank算法相关的实现，可以用于提取文章关键词以及文本摘要；唯一让我比较抑或的是posseg文件夹中的代码，和finalseg极其相似，实在猜测不出添加这么一个文件夹的意图。
概括的讲完结巴分词的文件结构后，再详细的讲一讲各个文件的内容。dict.txt的内容如下图所示，里面有每个词的统计次数和词性，在文档中提到的算法二中用到了词的统计次数，但是似乎所有的算法都没有用到词性，有想法的小伙伴可以尝试改进一下。
_compat.py文件是处理python2和python3之间差异的一个文件，有一个函数strdecode专门用来将字符串转换unicode, 感觉还蛮有用的
def strdecode(sentence):
if not isinstance(sentence, text_type):
try:
sentence = sentence.decode('utf-8')
except UnicodeDecodeError:
sentence = sentence.decode('gbk', 'ignore')
return sentence
__main__.py文件将底层的接口通过命令行的方式暴露给用户，用户可以设置自己的词典，需要处理的文件，是否使用隐马尔可夫模型，这个文件不涉及分词的算法，看起来没有什么难度，原来一直没有搞清楚__main__.py和__init__.py这两个文件的关系，通过万能的度娘总算搞清楚了，这里贴一个链接，http://www.tuicool.com/articles/iYRfe2 写的非常通俗易懂。
__init__.py这个文件是结巴分词的核心，里面提供了分词的接口：cut。它有三种模式：
1. 全模式，把句子中所有在词库中出现的词都找出来
2. 不使用隐马尔科夫模型的精确模式，基于最大概率路径, 找出基于词频的最大切分组合
3. 同时使用最大概率路径和隐马尔科夫模型，对于未登录词也有比较好的切分效果
这三种模式都会根据字典生成句子中汉字构成的有向无环图（DAG），实现的函数如下：
def get_DAG(sentence):
global FREQ
DAG = {}
N = len(sentence)
for k in xrange(N):
tmplist = []
i = k
frag = sentence[k]
while i < N and frag in FREQ:
if FREQ[frag]:
tmplist.append(i)
i += 1
frag = sentence[k:i + 1]
if not tmplist:
tmplist.append(k)
DAG[k] = tmplist
return DAG
以“但也并不是那么出乎意料或难以置信”这句话作为输入，生成的DAG如下，简单的讲就是把句子中词的位置标记出来
0 [0] 但
1 [1] 也
2 [2] 并
3 [3, 4] 不是
4 [4] 是
5 [5, 6] 那么
6 [6] 么
7 [7, 8, 10] 出乎意料
8 [8] 乎
9 [9, 10] 意料
10 [10] 料
11 [11] 或
12 [12, 13, 15] 难以置信
13 [13] 以
14 [14, 15] 置信
15 [15] 信
一、全模式 现在看一下全模式的代码：
def __cut_all(sentence):
dag = get_DAG(sentence)
old_j = -1
for k, L in iteritems(dag):
if len(L) == 1 and k > old_j:
yield sentence[k:L[0] + 1]
old_j = L[0]
else:
for j in L:
if j > k:
yield sentence[k:j + 1]
old_j = j
就是把上面生成的DAG中的所有的组合显示出来，还是以上面的句子为例，全模式切分的结果如下，是不是觉得这么非常的easy。
但/也/并/不是/那么/出乎/出乎意料/意料/或/难以/难以置信/置信
二、 不使用隐马尔科夫模型的精确模式，用一个比较简单的句子为例，输入的句子是“难以置信”，按照全模式会输出：难以/置信/难以置信 三个组合。作为一个将汉语的人，我们明显知道最佳的分词结果就是“难以置信”这一种结果。下面用最大概率的方法解释为什么是这个结果。子啊字典中我们可以查询“难以置信”所有的组合以及它们出现的概率（除以所有词出现的总次数）如下：
| 词 | 次数 | 出现概率 |
| 难 | 18505 | 3.08*10-4 |
| 以 | 136136 | 2.27*10-3 |
| 置 | 11145 | 1.85*10-4 |
| 信 | 11188 | 1.86*10-4 |
| 难以 | 5681 | 9.45*10-5 |
| 置信 | 64 | 1.06*10-6 |
| 难以置信 | 169 | 2.81*10-6 |
根据上面各词的概率，可以算出“难以置信”所有分词方式的概率，而最大出现的可能就是“难以置信”,而且它的概率相比其他组合高的可不是一倍两倍。
| 分词方式 | 出现概率 |
| 难 以 置 信 | 1.37*10-14 |
| 难以 置 信 | 3.65*10-14 |
| 难 以 置信 | 7.41*10-13 |
| 难以 置信 | 1.01*10-10 |
| 难以置信 | 2.81*10-6 |
实现的代码如下，相信参考我的例子，看下面的代码也就不是什么大难题了，在计算概率的时候，结巴分词用的方式是log函数
def calc(sentence, DAG, route):
N = len(sentence)
route[N] = (0, 0)
logtotal = log(total)
for idx in xrange(N - 1, -1, -1):
route[idx] = max((log(FREQ.get(sentence[idx:x + 1]) or 1) -
logtotal + route[x + 1][0], x) for x in DAG[idx])
def __cut_DAG_NO_HMM(sentence):
DAG = get_DAG(sentence)
route = {}
calc(sentence, DAG, route)
x = 0
N = len(sentence)
buf = ''
while x < N:
y = route[x][1] + 1
l_word = sentence[x:y]
if re_eng.match(l_word) and len(l_word) == 1:
buf += l_word
x = y
else:
if buf:
yield buf
buf = ''
yield l_word
x = y
if buf:
yield buf
buf = ''
三、 同时使用最大概率路径和隐马尔科夫模型
由于这一部分设计到的理论知识比较多，建议先看一下相关的论文和博客。然后再通过代码验证对理论算法的知识，可以更深刻的理解隐马尔科夫模型。在这个地方中文句子作为可观测序列，对应的隐藏状态值集合为(B, M, E, S): {B:begin, M:middle, E:end, S:single}。分别代表每个状态代表的是该字在词语中的位置，B代表该字是词语中的起始字，M代表是词语中的中间字，E代表是词语中的结束字，S则代表是单字成词。
在HMM模型中文分词中，我们的输入是一个句子(也就是观察值序列)，输出是这个句子中每个字的状态值。比如:“小明硕士毕业于中国科学院计算所”，隐藏序列为
BEBEBMEBEBMEBES，根据这个状态序列我们可以进行切词:BE/BE/BME/BE/BME/BE/S，所以切词结果如下:小明/硕士/毕业于/中国/科学院/计算/所。
finalseg中有BMES各个状态间的转移概率以及隐藏状态对应于各个中文的发射概率，再根据维特比算法，计算分词就相当的容易了。由于对隐马尔科夫理解有限，也就不瞎写了，有兴趣的可以看一下http://blog.csdn.net/likelet/article/details/7056068，写的非常的赞。
