前言
在自然语言处理领域中,分词和提取关键词都是对文本处理时通常要进行的步骤。
用Python语言对英文文本进行预处理时可选择NLTK库,中文文本预处理可选择jieba库。当然也有其他好用的库,个人在中文预处理时经常使用jieba库,所以聊聊jieba库对中文预处理的一些总结。
Jieba
“结巴”中文分词是国人做的一个Python中文分词库,它支持繁体分词和自定义词典,主要有三种分词模式:
1.精确模式:
试图将句子最精确地切开,适合文本分析;
2.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;
3.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。
安装
1.pip安装
pip install jieba
2.python setup install
先下载 http://pypi.python.org/pypi/jieba/ ,解压后运行 python setup.py install
内置算法
基于前缀词典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。
分词
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。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。待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8;
jieba.cut(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(unicode);
jieba.lcut(jieba.lcut_for_search):
直接返回 list;
jieba.Tokenizer(dictionary=DEFAULT_DICT):
新建自定义分词器,可用于同时使用不同词典。jieba.dt 为默认分词器,所有全局分词相关函数都是该分词器的映射。
代码示例
关键词提取
1.基于 TF-IDF 算法的关键词抽取(import jieba.analyse)
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=()) # 提取关键词
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。
2.基于TextRank算法的关键词
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) # 提取关键词,接口相同,注意默认过滤词性。
算法基本思路:
将待抽取关键词的文本进行分词;
以固定窗口大小(默认为5,通过span属性调整),词之间的共现关系,构建图;
计算图中节点的PageRank,注意是无向带权图。
词性标注
1.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。
2.jieba.posseg.dt 为默认词性标注分词器。
标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
代码示例
总结
实际上用Python在做一些小文本的中文预处理时,Jieba的效果还是不错。也有跟Java的AnsjSeg相比后,小样本的处理下实际运行速度也差不了多少,主要在编程的时候方便,几行代码可以完成大量工作,大家在做文本处理时可以尝试使用下。