jieba分词

 

分词算法

1.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)

2.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

3.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

分词功能主要有两个方法 jieba.cut 和 jieba.cut_for_search，

jieba.cut方法 接受三个输入参数:

1.需要分词的字符串；

2.cut_all 参数用来控制是否采用全模式；

3.HMM 参数用来控制是否使用 HMM 模型

jieba.cut_for_search方法 接受两个输入参数:

1.需要分词的字符串；

2.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

jieba.cut方法 和 jieba.cut_for_search方法 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)，也可以使用 jieba.lcut方法 和 jieba.lcut_for_search方法 直接返回 list

tip：待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。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

import jieba

if __name__ == '__main__':

    seg_list = jieba.cut("我来到北京清华大学", cut_all=True)

print("Full Mode: " + "/ ".join(seg_list))      #全模式

    seg_list = jieba.cut("我来到北京清华大学", cut_all=False)

print("Default Mode: " + "/ ".join(seg_list))   #精确模式

    seg_list = jieba.cut("他来到了网易杭研大厦")      #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，后在日本京都大学深造")   #搜索引擎模式

    print(", ".join(seg_list))

>>> 

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

可以看到：

全模式：试图将句子最精确地切开，适合文本分析，输出的是所有可能的分词组合，比如清华大学，会被分成：清华，清华大学，华大，大学

默认模型（精确模型）：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，比如清华大学，只会输出清华大学

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

还有另外一个方法 jieba.Tokenizer(dictionary=DEFAULT_DICT)，用于新建自定义分词器，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。