jieba分词库的分词模式（中文分词库jieba库的作用及常用模式）

"jieba"(Chinese for "to stutter") Chinese text segmentatino: built to be the best Python Chinese word segmentation module.

1. 分词

四种分词模式：

精确模式，试图将句子最精确地切开，适合文本分析； 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； 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。 paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny，`pip install paddlepaddle-tiny==1.6.1`。

---

参数设定：

jieba.cut 方法接受四个输入参数: 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；use_paddle 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码；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-8jieba.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(unicode)，或者用jieba.lcut以及jieba.lcut_for_search 直接返回 listjieba.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

# encoding=utf-8 import jieba # 使用paddle模式 strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"] for str in strs: seg_list = jieba.cut(str,use_paddle=True) print("Paddle Mode: " + /.join(list(seg_list))) # 全模式 seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 精确模式 seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 默认是精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") print(", ".join(seg_list)) # 搜索引擎模式 seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") print(", ".join(seg_list))

output:

Paddle Mode: 我/来到/北京/清华大学

Paddle Mode: 乒乓球/拍卖/完/了

Paddle Mode: 中国/科学技术/大学

Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

Default Mode: 我/ 来到/ 北京/ 清华大学

他, 来到, 了, 网易, 杭研, 大厦

小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

2. 添加自定义词典

2.1 载入词典

开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径 词典格式和 `dict.txt` 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。`file_name` 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。 词频省略时使用自动计算的能保证分出该词的词频。path= "E:/Python/数据与结果/机器学习演示数据/04自然语言处理入门/cssci/" # 将只有“词语”的关键词生成：“词语 词频” 格式的关键词字典 keywords = open(path+"keyword.txt", encoding=utf8).read() keywords = keywords.strip().split(\n) keywords = dict(Counter(keywords)) with open(path+keywords.txt,w,encoding=utf8) as f: for key, value in keywords.items(): ele = key + " " + str(value) + \n f.write(ele) jieba.load_userdict(path+keywords.txt)

2.2 调整词典

使用`add_word(word, freq=None, tag=None)`和`del_word(word)`可在层序中动态修改词典 使用`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。 注意：自动计算的词频在使用HMM新词发现功能时可能无效。

代码示例：

print(/.join(jieba.cut(如果放到post中将出错。, HMM=False))) print(jieba.suggest_freq((中, 将), True)) print(/.join(jieba.cut(如果放大post中将出错。, HMM=False))) print(/.join(jieba.cut(西蛤[台中]正确应该不会被切开, HMM=False))) jieba.suggest_freq(西蛤, True) print(/.join(jieba.cut(西蛤[台中]正确应该不会被切开, HMM=False)))

output:

如果/放到/post/中将/出错/。

494

如果/放大/post/中/将/出错/。

西/蛤/[/台/中/]/正确/应该/不会/被/切开

西蛤/[/台/中/]/正确/应该/不会/被/切开

3. 关键词提取

3.1 基于TF-IDF算法的关键词抽取

TF-IDF使用的是系统自己的语料库计算的逆文档频率。

jieba. *** yse.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 20withWeight 为是否一并返回关键词权重值，默认值为 FalseallowPOS 仅包括指定词性的词，默认值为空，即不筛选 jieba. *** yse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件 词性：jieba分词的词性表_暴躁的猴子的博客-CSDN博客_jieba词性表

代码示例：

import jieba sentence = """人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术 及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出 反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟， 应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。 人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识， 心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标 是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工 智能入选“2017年度中国媒体十大流行语”。""" keywords = " ".join(jieba. *** yse.extract_tags(sentence, topK=40, withWeight=False)) print(keywords)

output:

人工智能 智能 2017 机器 不同 人类 科学 模拟 一门 技术 计算机 研究 工作 Artificial Intelligence AI 图像识别 12 复杂 流行语 领域 理论 自然语言 挑战性 专家系统 计算机科学 总的说来 应用领域 胜任 极富 缩写 容器 机器人 包括 入选 不断扩大 视觉 心理学 识别 英文

3.2 基于TextRank算法的关键词抽取

参数设定：

jieba. *** yse.textrank(sentence, topK=20, withWeight=False, allowPOS=(ns, n, vn, v)) 直接使用，接口相同，注意默认过滤词性。 jieba. *** yse.TextRank() 新建自定义 TextRank 实例

---基本思想：

1. 将待抽取关键词的文本进行分词。

2. 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

3. 计算图中节点的PageRank，注意是无向带权图

代码示例：

result = " ".join(jieba. *** yse.textrank(sentence, topK=20, withWeight=False, allowPOS=(ns, n, vn, v))) print(result) # 修改词性 result = " ".join(jieba. *** yse.textrank(sentence, topK=20, withWeight=False, allowPOS=( n, v))) print(result)

output:

智能 人工智能 机器 人类 技术 研究 模拟 包括 科学 工作 领域 理论 计算机 需要 年度 语言 信息 机器人 实质 才能

智能 人工智能 机器 人类 技术 模拟 包括 计算机 科学 理论 领域 需要 信息 年度 语言 识别 相似 带来 延伸 心理学

4. 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。 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。 除了jieba默认分词模式，提供paddle模式下的词性标注功能。paddle模式采用延迟加载方式，通过enable_paddle()安装paddlepaddle-tiny，并且import相关代码；

代码示例：

import jieba import jieba.posseg as pseg words = pseg.cut(我爱北京天安门) #jieba默认模式 # jieba.enable_paddle() # 启动paddle模式 words = pseg.cut("我爱北京天安门", use_paddle=True) # paddle模式 for word, flag in words: word = w.word flag = w.flag print(%s %s % (word, flag))

output:

我 r

爱 v

北京 ns

天安门 ns

5.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 **注意**：并行分词仅支持默认分词器 `jieba.dt` 和 `jieba.posseg.dt` Tokenize：返回词语在原文的起止位置 注意，输入参数只接受unicode

5.1 默认模式

result = jieba.tokenize(u永和服装饰品有限公司) for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

output:

word 永和 start: 0 end:2

word 服装 start: 2 end:4

word 饰品 start: 4 end:6

word 有限公司 start: 6 end:10

5.2 搜索模式

result = jieba.tokenize(u永和服装饰品有限公司, mode=search) for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

output:

word 永和 start: 0 end:2

word 服装 start: 2 end:4

word 饰品 start: 4 end:6

word 有限 start: 6 end:8

word 公司 start: 8 end:10

word 有限公司 start: 6 end:10