導(dǎo)讀：近年來，隨著NLP技術(shù)日益成熟，開源實(shí)現(xiàn)的分詞工具越來越多，如Ansj、HanLP、盤古分詞等。本文我們選取了Jieba進(jìn)行介紹。

作者：杜振東 涂銘

來源：大數(shù)據(jù)DT（ID：hzdashuju）

01 Jieba的特點(diǎn)

1. 社區(qū)活躍

Jieba在GitHub上已經(jīng)有25.3k的star數(shù)目。社區(qū)活躍度高，代表著該項(xiàng)目會(huì)持續(xù)更新，能夠長期使用，用戶在實(shí)際生產(chǎn)實(shí)踐中遇到的問題也能夠在社區(qū)進(jìn)行反饋并得到解決。

2. 功能豐富

Jieba并不是只有分詞這一個(gè)功能，它是一個(gè)開源框架，提供了很多在分詞之上的算法，如關(guān)鍵詞提取、詞性標(biāo)注等。

3. 提供多種編程語言實(shí)現(xiàn)

Jieba官方提供了Python、C++、Go、R、iOS等多平臺(tái)多語言支持，不僅如此，還提供了很多熱門社區(qū)項(xiàng)目的擴(kuò)展插件，如ElasticSearch、solr、lucene等。在實(shí)際項(xiàng)目中，使用Jieba進(jìn)行擴(kuò)展十分容易。

4. 使用簡單

Jieba的API總體來說并不多，且需要進(jìn)行的配置并不復(fù)雜，適合新手上手。下載完成后，可以使用如下命令進(jìn)行安裝。

pip?install?jieba

Jieba分詞結(jié)合了基于規(guī)則和基于統(tǒng)計(jì)兩類方法。首先基于前綴詞典進(jìn)行詞圖掃描，前綴詞典是指詞典中的詞按照前綴包含的順序排列，如詞典中出現(xiàn)了“上”，之后以“上”開頭的詞都會(huì)出現(xiàn)在一起，如詞典中出現(xiàn)“上海”一詞，進(jìn)而會(huì)出現(xiàn)“上海市”等詞，從而形成一種層級(jí)包含結(jié)構(gòu)。

如果將詞看作節(jié)點(diǎn)，詞和詞之間的分詞符看作邊，那么一種分詞方案則對應(yīng)著從第一個(gè)字到最后一個(gè)字的一條分詞路徑。因此，基于前綴詞典可以快速構(gòu)建包含全部可能分詞結(jié)果的有向無環(huán)圖，這個(gè)圖包含多條分詞路徑，有向是指全部的路徑都始于第一個(gè)字、止于最后一個(gè)字，無環(huán)是指節(jié)點(diǎn)之間不構(gòu)成閉環(huán)。

其次，基于標(biāo)注語料、使用動(dòng)態(tài)規(guī)劃的方法可以找出最大概率路徑，并將其作為最終的分詞結(jié)果。對于未登錄詞，Jieba使用了基于漢字成詞的HMM模型，采用了Viterbi算法進(jìn)行推導(dǎo)。

02 Jieba的3種分詞模式

Jieba提供了以下3種分詞模式。

精確模式：試圖將句子精確地切開，適合文本分析。

全模式：把句子中所有可以成詞的詞語都掃描出來。全模式處理速度非常快，但是不能解決歧義。

搜索引擎模式：在精確模式的基礎(chǔ)上，對長詞再次切分，提高召回率，適用于搜索引擎分詞。

下面是使用這3種模式的對比。

import?jiebasent?=?'中文分詞是文本處理不可或缺的一步！' seg_list?=?jieba.cut(sent,?cut_all=True)print('全模式：',?'/?'?.join(seg_list))?seg_list?=?jieba.cut(sent,?cut_all=False) print('精確模式：',?'/?'.join(seg_list))?seg_list?=?jieba.cut(sent)?? print('默認(rèn)精確模式：',?'/?'.join(seg_list))seg_list?=?jieba.cut_for_search(sent)?? print('搜索引擎模式',?'/?'.join(seg_list))

運(yùn)行結(jié)果如下所示。

全模式：中文/?分詞/?是/?文本/?文本處理/?本處/?處理/?不可/?不可或缺/?或缺/?的/?一步/?/? 精確模式：中文/?分詞/?是/?文本處理/?不可或缺/?的/?一步/?！ 默認(rèn)精確模式：中文/?分詞/?是/?文本處理/?不可或缺/?的/?一步/?！ 搜索引擎模式中文/?分詞/?是/?文本/?本處/?處理/?文本處理/?不可/?或缺/?不可或缺/?的/?一步/?!

可以看到，在全模式和搜索引擎模式下，Jieba會(huì)把分詞的所有可能都打印出來。一般直接使用精確模式即可，但是在某些模糊匹配場景下，使用全模式或搜索引擎模式更適合。

關(guān)于作者：杜振東，國家標(biāo)準(zhǔn)委人工智能技術(shù)專家和AIIA（中國人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟）技術(shù)專家。擁有8年機(jī)器學(xué)習(xí)與文本挖掘相關(guān)技術(shù)經(jīng)驗(yàn)，6年中文自然語言處理相關(guān)項(xiàng)目實(shí)戰(zhàn)經(jīng)驗(yàn)，擅長PyTorch、TensorFlow等主流深度學(xué)習(xí)框架，擅長運(yùn)用NLP前沿技術(shù)解決真實(shí)項(xiàng)目的難題。

涂銘，數(shù)據(jù)架構(gòu)師和人工智能技術(shù)專家，曾就職于阿里，現(xiàn)就職于騰訊。對大數(shù)據(jù)、自然語言處理、圖像識(shí)別、Python、Java等相關(guān)技術(shù)有深入的研究，積累了豐富的實(shí)踐經(jīng)驗(yàn)。?

本文摘編自《會(huì)話式AI：自然語言處理與人機(jī)交互》，經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《會(huì)話式AI：自然語言處理與人機(jī)交互》

點(diǎn)擊上圖了解及購買

轉(zhuǎn)載請聯(lián)系微信：DoctorData

推薦語：騰訊、國家標(biāo)準(zhǔn)委AI專家撰寫，詳解NLP和人機(jī)交互，從算法、實(shí)戰(zhàn)3維度講解聊天機(jī)器人原理、實(shí)現(xiàn)與工程實(shí)踐。

劃重點(diǎn)????

干貨直達(dá)????

• 終于有人把智能語音處理講明白了
  

• 終于有人把5G+人工智能講明白了
  

• 終于有人把條件概率和貝葉斯公式講明白了
  

• 手把手教你用ECharts畫柱狀圖

更多精彩????

在公眾號(hào)對話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?讀書?|?書單?|?硬核?|?干貨?|?講明白?|?神操作

大數(shù)據(jù)?|?云計(jì)算?|?數(shù)據(jù)庫?|?Python?|?可視化

AI?|?人工智能?|?機(jī)器學(xué)習(xí)?|?深度學(xué)習(xí)?|?NLP

5G?|?中臺(tái)?|?用戶畫像?|?1024?|?數(shù)學(xué)?|?算法?|?數(shù)字孿生

據(jù)統(tǒng)計(jì)，99%的大咖都完成了這個(gè)神操作

????

新人創(chuàng)作打卡挑戰(zhàn)賽發(fā)博客就能抽獎(jiǎng)！定制產(chǎn)品紅包拿不停！

總結(jié)

以上是生活随笔為你收集整理的手把手教你用Jieba做中文分词的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。