1.常见的中文分词工具

  • 中科院计算所的NLPIR
  • 哈工大LTP
  • 清华大学THULAC
  • 斯坦福分词器
  • Hanlp分词器
  • jieba分词
  • IKAnalyzer

2.jieba分词算法主要有以下三种：

  • 1.基于统计词典，构造前缀词典，基于前缀词典对句子进行切分，得到所有切分可能，根据切分位置，构造一个有向无环图(DAG)
  • 2.针对DAG图，采用动态规划计算最大概率路径（最优可能的分词结果），根据最大概率路径分词
  • 3.对新词（词库中没有的词），采用有汉字成词能力的HMM模型进行切分。
import jieba
content = "现在，机器学习和深度学习带动人工智能飞速的发展，并在图像处理、语音识别领域取得巨大成功。"

3.精确分词：精确模式试图将句子最精确地切开，精确分词也是默认的分词方式

segs_1 = jieba.cut(content, cut_all=False)
print("/".join(segs_1))

4.全模式分词:把句子中所有的可能是词语的都扫描出来，速度非常快，但不能解决歧义。

segs_2 = jieba.cut(content, cut_all=True)
print("/".join(segs_2))

5.搜索引擎模式：在精确模式的基础上，对长词再次进行划分，提高召回率Recall，适用于搜索引擎分词。

segs_3 = jieba.cut_for_search(content)
print("/".join(segs_3))

6.用lcut生成list

  • jieba.cut和jieba.cut_for_search返回的结果都是一个可迭代的生成器，可以使用for循环来获得分词后得到的每个词语(unicode编码)。jieba.lcut对cut的结果进行了封装，l代表list，即返回的结果是一个list集合。同样的，用jieba.lcut_for_search()也直接返回list集合。
segs_4 = jieba.lcut(content)
print(segs_4)

7.获取词性

  • jieba可以很方便地获取中文词性，通过jieba.posseg模块实现词性标注
import jieba.posseg as psg

[(x.word, x.flag) for x in psg.lcut(content)]

8.并行分词

  • 并行分词原理是为文本按行分隔后，分配到多个python进程并进行分词，最终归并结果。
  • 并行分词仅支持默认分词器jieba.dt和jieba.posseg.dt,目前暂不支持windows系统。
jieba.enable_parallel(4)  # 开启并行分词模式，参数为并行进程数
jieba.disable_parallen()  # 关闭并行分词模式

9.获取分词结果中词列表的top N

from collections import Counter

top5 = Counter(segs_4).most_common(5)
top5

10.自定义添加词和字典

  • 默认情况下，使用默认分词，是识别不出来这句话中的“字节跳动”这个新词，这里使用用户字典提高分词的准确性。
txt = "字节跳动是中国一家新兴的互联网公司。"
segs_5 = jieba.lcut(txt)
segs_5
  • 添加一个新词到字典中，结果就不一样了
jieba.add_word("字节跳动")
segs_6 = jieba.lcut(txt)
segs_6
  • 但是，如果要添加很多个词语时，一个个添加效率就不高了。这时候可以定义一个文件，然后通过load_userdict()函数，加载自定义词典，如下所示：
txt1 = "火山小视频是字节跳动公司开发的一款应用软件。"
jieba.load_userdict("user_dict.txt")  # user_dict.txt是自己创建的一个自定义的新词词典
segs_7 = jieba.lcut(txt1)
segs_7

11.注意的地方

  • jieba.cut()方法接收三个输入参数：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()方法接收两个参数：需要分词的字符串、是否使用HMM模型。该方法适用于搜索引擎构建倒排索引的分词，细粒度较高。

12.相关说明