中文分詞的原理

• 1、中文分詞(Chinese Word Segmentation)?

• 指的是將一個漢字序列切分成一個一個單獨的詞。

• 分詞就是將連續的字序列按照一定的規范重新組合成詞序列的過程

• 2、現有的分詞算法可分為三大類：基于字符串匹配的分詞方法、基于理解的分詞方法和基于統計的分詞方法

• 
  

基于字符串匹配的分詞方法：這種方法又叫做機械分詞方法，

它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配，

若在詞典中找到某個字符串，則匹配成功（識別出一個詞）

?1）正向最大匹配法（由左到右的方向）

?2）逆向最大匹配法（由右到左的方向）:

?3）最少切分（使每一句中切出的詞數最小）

?4）雙向最大匹配法（進行由左到右、由右到左兩次掃描）

基于理解的分詞方法：這種分詞方法是通過讓計算機模擬人對句子的理解，達到識別詞的效果。

其基本思想就是在分詞的同時進行句法、語義分析，利用句法信息和語義信息來處理歧義現象。

它通常包括三個部分：分詞子系統、句法語義子系統、總控部分。

在總控部分的協調下，分詞子系統可以獲得有關詞、句子等的句法和語義信息來對分詞歧義進行判斷，

即它模擬了人對句子的理解過程。這種分詞方法需要使用大量的語言知識和信息。

由于漢語語言知識的籠統、復雜性，難以將各種語言信息組織成機器可直接讀取的形式，

因此目前基于理解的分詞系統還處在試驗階段。

基于統計的分詞方法：給出大量已經分詞的文本，利用統計機器學習模型學習詞語切分的規律（稱為訓練），

從而實現對未知文本的切分。

例如最大概率分詞方法和最大熵分詞方法等。

隨著大規模語料庫的建立，統計機器學習方法的研究和發展，基于統計的中文分詞方法漸漸成為了主流方法。

主要統計模型：N元文法模型（N-gram），隱馬爾可夫模型（Hidden Markov Model ，HMM），最大熵模型（ME），

條件隨機場模型（Conditional Random Fields，CRF）等。

結巴分詞：

github:https://github.com/fxsjy/jieba?開源中國地址:http://www.oschina.net/p/jieba/?fromerr=LRXZzk9z

特點

---

• 支持三種分詞模式：

  • 精確模式，試圖將句子最精確地切開，適合文本分析；

  • 全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義；

  • 搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

• 支持繁體分詞

• 支持自定義詞典

• MIT 授權協議

在線演示

---

jiebademo(Powered?by?Appfog)網站代碼：https://github.com/fxsjy/jiebademo

安裝說明

---

代碼對 Python 2/3 均兼容

• 全自動安裝：easy_install jieba?或者pip install jieba?/?pip3 install jieba

• 半自動安裝：先下載?http://pypi.python.org/pypi/jieba/?，解壓后運行?python setup.py install

• 手動安裝：將 jieba 目錄放置于當前目錄或者 site-packages 目錄

• 通過?import jieba?來引用

算法

---

• 基于前綴詞典實現高效的詞圖掃描，生成句子中漢字所有可能成詞情況所構成的有向無環圖 (DAG)

• 采用了動態規劃查找最大概率路徑, 找出基于詞頻的最大切分組合

• 對于未登錄詞，采用了基于漢字成詞能力的 HMM 模型，使用了 Viterbi 算法

主要功能

---

1. 分詞

• jieba.cut?

  
  

方法接收三個輸入參數:?

需要分詞的字符串；

cut_all 參數用來控制是否采用全模式；

HMM 參數用來控制是否使用 HMM 模型

jieba.cut_for_search?

jieba.cut以及 jieba.cut_for_search 返回的結構都是一個可迭代的 generator，

可以使用 for 循環來獲得分詞后得到的每一個詞語(unicode)，或者用

待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。

注意：不建議直接輸入 GBK 字符串，可能無法預料地錯誤解碼成 UTF-8

方法接收兩個參數：

需要分詞的字符串；

是否使用 HMM 模型。

該方法適合用于搜索引擎構建倒排索引的分詞，粒度比較細

jieba.lcut?以及jieba.lcut_for_search?直接返回 list

jieba.Tokenizer(dictionary=DEFAULT_DICT)?

新建自定義分詞器，可用于同時使用不同詞典。

jieba.dt 為默認分詞器，所有全局分詞相關函數都是該分詞器的映射。

代碼示例

#?encoding=utf-8import?jiebaseg_list?=?jieba.cut("我來到北京清華大學",?cut_all=True)print("Full?Mode:?"?+?"/?".join(seg_list))??#?全模式seg_list?=?jieba.cut("我來到北京清華大學",?cut_all=False)print("Default?Mode:?"?+?"/?".join(seg_list))??#?精確模式seg_list?=?jieba.cut("他來到了網易杭研大廈")??#?默認是精確模式print(",?".join(seg_list))seg_list?=?jieba.cut_for_search("小明碩士畢業于×××計算所，后在日本京都大學深造")??#?搜索引擎模式print(",?".join(seg_list))

輸出:

【全模式】:?我/?來到/?北京/?清華/?清華大學/?華大/?大學【精確模式】:?我/?來到/?北京/?清華大學【新詞識別】：他,?來到,?了,?網易,?杭研,?大廈????(此處，“杭研”并沒有在詞典中，但是也被Viterbi算法識別出來了)【搜索引擎模式】：?小明,?碩士,?畢業,?于,?中國,?科學,?學院,?科學院,?×××,?計算,?計算所,?后,在,?日本,?京都,?大學,?日本京都大學,?深造

2. 添加自定義詞典

---

載入詞典

• 開發者可以指定自己自定義的詞典，以便包含 jieba 詞庫里沒有的詞。雖然 jieba?有新詞識別能力，但是自行添加新詞可以保證更高的正確率

• 用法：?jieba.load_userdict(file_name)?# file_name 為文件類對象或自定義詞典的路徑

• 詞典格式和?dict.txt?一樣，一個詞占一行；每一行分三部分：詞語、詞頻（可省略）、詞性（可省略），用空格隔開，順序不可顛倒。file_name?若為路徑或二進制方式打開的文件，則文件必須為 UTF-8 編碼。

• 詞頻省略時使用自動計算的能保證分出該詞的詞頻。

例如：

創新辦?3?i云計算?5凱特琳?nz臺中

更改分詞器

• 更改分詞器（默認為jieba.dt）的 tmp_dir?和?cache_file?屬性，可分別指定緩存文件所在的文件夾及其文件名，用于受限的文件系統。

• 范例：

  • 之前： 李小福 / 是 / 創新 / 辦 / 主任 / 也 / 是 / 云 / 計算 / 方面 / 的 / 專家 /

  • 加載自定義詞庫后：　李小福 / 是 / 創新辦 / 主任 / 也 / 是 / 云計算 / 方面 / 的 / 專家 /

  • 自定義詞典：https://github.com/fxsjy/jieba/blob/master/test/userdict.txt

  • 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py

調整詞典

• 使用?add_word(word, freq=None, tag=None)和?del_word(word)?可在程序中動態修改詞典。

• 使用?suggest_freq(segment, tune=True)?可調節單個詞語的詞頻，使其能（或不能）被分出來。

• 注意：自動計算的詞頻在使用?HMM 新詞發現功能時可能無效。

代碼示例：

>>>?print('/'.join(jieba.cut('如果放到post中將出錯。',?HMM=False)))如果/放到/post/中將/出錯/。>>>?jieba.suggest_freq(('中',?'將'),?True)494>>>?print('/'.join(jieba.cut('如果放到post中將出錯。',?HMM=False)))如果/放到/post/中/將/出錯/。>>>?print('/'.join(jieba.cut('「臺中」正確應該不會被切開',?HMM=False)))「/臺/中/」/正確/應該/不會/被/切開>>>?jieba.suggest_freq('臺中',?True)69>>>?print('/'.join(jieba.cut('「臺中」正確應該不會被切開',?HMM=False)))「/臺中/」/正確/應該/不會/被/切開

• "通過用戶自定義詞典來增強歧義糾錯能力" ---?https://github.com/fxsjy/jieba/issues/14

3. 關鍵詞提取

---

基于 TF-IDF 算法的關鍵詞抽取

import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

  • sentence 為待提取的文本

  • topK 為返回幾個 TF/IDF 權重最大的關鍵詞，默認值為 20

  • withWeight 為是否一并返回關鍵詞權重值，默認值為 False

  • allowPOS 僅包括指定詞性的詞，默認值為空，即不篩選

• jieba.analyse.TFIDF(idf_path=None)?新建 TFIDF 實例，idf_path 為 IDF 頻率文件

代碼示例 （關鍵詞提取）

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py關鍵詞提取所使用逆向文件頻率（IDF）文本語料庫可以切換成自定義語料庫的路徑用法：?jieba.analyse.set_idf_path(file_name)?#?file_name為自定義語料庫的路徑自定義語料庫示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py關鍵詞提取所使用停止詞（Stop?Words）文本語料庫可以切換成自定義語料庫的路徑用法：?jieba.analyse.set_stop_words(file_name)?#?file_name為自定義語料庫的路徑自定義語料庫示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py關鍵詞一并返回關鍵詞權重值示例用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py

基于 TextRank 算法的關鍵詞抽取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))?直接使用，接口相同，注意默認過濾詞性。

• jieba.analyse.TextRank()?新建自定義 TextRank 實例
  算法論文：?TextRank: Bringing Order into Texts

  基本思想:

將待抽取關鍵詞的文本進行分詞

以固定窗口大小(默認為5，通過span屬性調整)，詞之間的共現關系，構建圖

計算圖中節點的PageRank，注意是無向帶權圖

使用示例:

#encoding=utf-8from?__future__?import?unicode_literalsimport?syssys.path.append("../")import?jiebaimport?jieba.possegimport?jieba.analyseprint('='*40)print('1.?分詞')print('-'*40)seg_list?=?jieba.cut("我來到北京清華大學",?cut_all=True)print("Full?Mode:?"?+?"/?".join(seg_list))??#?全模式seg_list?=?jieba.cut("我來到北京清華大學",?cut_all=False)print("Default?Mode:?"?+?"/?".join(seg_list))??#?默認模式seg_list?=?jieba.cut("他來到了網易杭研大廈")print(",?".join(seg_list))seg_list?=?jieba.cut_for_search("小明碩士畢業于×××計算所，后在日本京都大學深造")??#?搜索引擎模式print(",?".join(seg_list))print('='*40)print('2.?添加自定義詞典/調整詞典')print('-'*40)print('/'.join(jieba.cut('如果放到post中將出錯。',?HMM=False)))#如果/放到/post/中將/出錯/。print(jieba.suggest_freq(('中',?'將'),?True))#494print('/'.join(jieba.cut('如果放到post中將出錯。',?HMM=False)))#如果/放到/post/中/將/出錯/。print('/'.join(jieba.cut('「臺中」正確應該不會被切開',?HMM=False)))#「/臺/中/」/正確/應該/不會/被/切開print(jieba.suggest_freq('臺中',?True))#69print('/'.join(jieba.cut('「臺中」正確應該不會被切開',?HMM=False)))#「/臺中/」/正確/應該/不會/被/切開print('='*40)print('3.?關鍵詞提取')print('-'*40)print('?TF-IDF')print('-'*40)s?=?"此外，公司擬對全資子公司吉林歐亞置業有限公司增資4.3億元，增資后，吉林歐亞置業注冊資本由7000萬元增加到5億元。吉林歐亞置業主要經營范圍為房地產開發及百貨零售等業務。目前在建吉林歐亞城市商業綜合體項目。2013年，實現營業收入0萬元，實現凈利潤-139.13萬元。"for?x,?w?in?jieba.analyse.extract_tags(s,?withWeight=True):????print('%s?%s'?%?(x,?w))print('-'*40)print('?TextRank')print('-'*40)for?x,?w?in?jieba.analyse.textrank(s,?withWeight=True):????print('%s?%s'?%?(x,?w))print('='*40)print('4.?詞性標注')print('-'*40)words?=?jieba.posseg.cut("我愛北京天安門")for?word,?flag?in?words:????print('%s?%s'?%?(word,?flag))print('='*40)print('6.?Tokenize:?返回詞語在原文的起止位置')print('-'*40)print('?默認模式')print('-'*40)result?=?jieba.tokenize('永和服裝飾品有限公司')for?tk?in?result:????print("word?%s\t\t?start:?%d?\t\t?end:%d"?%?(tk[0],tk[1],tk[2]))print('-'*40)print('?搜索模式')print('-'*40)result?=?jieba.tokenize('永和服裝飾品有限公司',?mode='search')for?tk?in?result:????print("word?%s\t\t?start:?%d?\t\t?end:%d"?%?(tk[0],tk[1],tk[2]))

輸出：

Building?prefix?dict?from?the?default?dictionary?...========================================1.?分詞----------------------------------------Loading?model?from?cache?C:\Users\ADMINI~1\AppData\Local\Temp\jieba.cacheFull?Mode:?我/?來到/?北京/?清華/?清華大學/?華大/?大學Loading?model?cost?1.252?seconds.Default?Mode:?我/?來到/?北京/?清華大學Prefix?dict?has?been?built?succesfully.他,?來到,?了,?網易,?杭研,?大廈小明,?碩士,?畢業,?于,?中國,?科學,?學院,?科學院,?×××,?計算,?計算所,?，,?后,?在,?日本,?京都,?大學,?日本京都大學,?深造========================================2.?添加自定義詞典/調整詞典----------------------------------------如果/放到/post/中將/出錯/。494如果/放到/post/中/將/出錯/。「/臺/中/」/正確/應該/不會/被/切開69「/臺中/」/正確/應該/不會/被/切開========================================3.?關鍵詞提取----------------------------------------?TF-IDF----------------------------------------歐亞?0.7300142700289363吉林?0.659038184373617置業?0.4887134522112766萬元?0.3392722481859574增資?0.335824019852340454.3?0.254356755380851067000?0.254356755380851062013?0.25435675538085106139.13?0.25435675538085106實現?0.19900979900382978綜合體?0.19480309624702127經營范圍?0.19389757253595744億元?0.1914421623587234在建?0.17541884768425534全資?0.17180164988510638注冊資本?0.1712441526百貨?0.16734460041382979零售?0.1475057117057447子公司?0.14596045237787234營業?0.13920178509021275----------------------------------------?TextRank----------------------------------------吉林?1.0歐亞?0.9966893354178172置業?0.6434360313092776實現?0.5898606692859626收入?0.43677859947991454增資?0.4099900531283276子公司?0.35678295947672795城市?0.34971383667403655商業?0.34817220716026936業務?0.3092230992619838在建?0.3077929164033088營業?0.3035777049319588全資?0.303540981053475綜合體?0.29580869172394825注冊資本?0.29000519464085045有限公司?0.2807830798576574零售?0.27883620861218145百貨?0.2781657628445476開發?0.2693488779295851經營范圍?0.2642762173558316========================================4.?詞性標注----------------------------------------我?r愛?v北京?ns天安門?ns========================================6.?Tokenize:?返回詞語在原文的起止位置----------------------------------------?默認模式----------------------------------------word?永和 ?start:?0? ?end:2word?服裝 ?start:?2? ?end:4word?飾品 ?start:?4? ?end:6word?有限公司 ?start:?6? ?end:10----------------------------------------?搜索模式----------------------------------------word?永和 ?start:?0? ?end:2word?服裝 ?start:?2? ?end:4word?飾品 ?start:?4? ?end:6word?有限 ?start:?6? ?end:8word?公司 ?start:?8? ?end:10word?有限公司 ?start:?6? ?end:10

4. 詞性標注

• jieba.posseg.POSTokenizer(tokenizer=None)?新建自定義分詞器，tokenizer參數可指定內部使用的jieba.Tokenizer?分詞器。jieba.posseg.dt?為默認詞性標注分詞器。

• 標注句子分詞后每個詞的詞性，采用和?ictclas?兼容的標記法。

• 用法示例

  
  

>>> import jieba.posseg as pseg

>>> words = pseg.cut("我愛北京天安門")

>>> for word, flag in words:

... ? print('%s %s' % (word, flag))

...

我 r

愛 v

北京 ns

天安門 ns

5. 并行分詞

• 原理：將目標文本按行分隔后，把各行文本分配到多個 Python 進程并行分詞，然后歸并結果，從而獲得分詞速度的可觀提升

• 基于 python 自帶的?multiprocessing?模塊，目前暫不支持 Windows

• 用法：

  • jieba.enable_parallel(4)# 開啟并行分詞模式，參數為并行進程數

  • jieba.disable_parallel()?# 關閉并行分詞模式

• 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

import?sysimport?timesys.path.append("../../")import?jiebajieba.enable_parallel()url?=?sys.argv[1]content?=?open(url,"rb").read()t1?=?time.time()words?=?"/?".join(jieba.cut(content))t2?=?time.time()tm_cost?=?t2-t1log_f?=?open("1.log","wb")log_f.write(words.encode('utf-8'))print('speed?%s?bytes/second'?%?(len(content)/tm_cost))

• 實驗結果：在 4 核 3.4GHz Linux 機器上，對金庸全集進行精確分詞，獲得了 1MB/s 的速度，是單進程版的 3.3 倍。

• 注意：并行分詞僅支持默認分詞器?jieba.dt?和jieba.posseg.dt。

6. Tokenize：返回詞語在原文的起止位置

---

• 注意，輸入參數只接受 unicode

• 默認模式

  
  
  

word 永和 ? ? ? ? ? ? ? ?start: 0 ? ? ? ? ? ? ? ?end:2

word 服裝 ? ? ? ? ? ? ? ?start: 2 ? ? ? ? ? ? ? ?end:4

word 飾品 ? ? ? ? ? ? ? ?start: 4 ? ? ? ? ? ? ? ?end:6

word 有限公司 ? ? ? ? ? ?start: 6 ? ? ? ? ? ? ? ?end:10

result = jieba.tokenize(u'永和服裝飾品有限公司')

for tk in result:

print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

搜索模式

word 永和 ? ? ? ? ? ? ? ?start: 0 ? ? ? ? ? ? ? ?end:2

word 服裝 ? ? ? ? ? ? ? ?start: 2 ? ? ? ? ? ? ? ?end:4

word 飾品 ? ? ? ? ? ? ? ?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

result = jieba.tokenize(u'永和服裝飾品有限公司', mode='search')

for tk in result:

print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

7. ChineseAnalyzer for Whoosh 搜索引擎

---

• 引用：?from jieba.analyse import ChineseAnalyzer

• 用法示例https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py

#?-*-?coding:?UTF-8?-*-from?__future__?import?unicode_literalsimport?sys,ossys.path.append("../")from?whoosh.index?import?create_in,open_dirfrom?whoosh.fields?import?*from?whoosh.qparser?import?QueryParserfrom?jieba.analyse?import?ChineseAnalyzeranalyzer?=?ChineseAnalyzer()schema?=?Schema(title=TEXT(stored=True),?path=ID(stored=True),?content=TEXT(stored=True,?analyzer=analyzer))if?not?os.path.exists("tmp"):????os.mkdir("tmp")ix?=?create_in("tmp",?schema)?#?for?create?new?index#ix?=?open_dir("tmp")?#?for?read?onlywriter?=?ix.writer()writer.add_document(????title="document1",????path="/a",????content="This?is?the?first?document?we’ve?added!")writer.add_document(????title="document2",????path="/b",????content="The?second?one?你?中文測試中文?is?even?more?interesting!?吃水果")writer.add_document(????title="document3",????path="/c",????content="買水果然后來世博園。")writer.add_document(????title="document4",????path="/c",????content="工信×××干事每月經過下屬科室都要親×××代24×××換機等技術性器件的安裝工作")writer.add_document(????title="document4",????path="/c",????content="咱倆交換一下吧。")writer.commit()searcher?=?ix.searcher()parser?=?QueryParser("content",?schema=ix.schema)for?keyword?in?("水果世博園","你","first","中文","交換機","交換"):????print("result?of?",keyword)????q?=?parser.parse(keyword)????results?=?searcher.search(q)????for?hit?in?results:????????print(hit.highlights("content"))????print("="*10)for?t?in?analyzer("我的好朋友是李明;我愛北京天安門;IBM和Microsoft;?I?have?a?dream.?this?is?intetesting?and?interested?me?a?lot"):????print(t.text)

8. 命令行分詞

使用示例：python -m jieba news.txt > cut_result.txt
命令行選項（翻譯）：

使用:?python?-m?jieba?[options]?filename結巴命令行界面。固定參數:filename??????????????輸入文件可選參數:-h,?--help????????????顯示此幫助信息并退出-d?[DELIM],?--delimiter?[DELIM]使用?DELIM?分隔詞語，而不是用默認的'?/?'。若不指定?DELIM，則使用一個空格分隔。-p?[DELIM],?--pos?[DELIM]啟用詞性標注；如果指定?DELIM，詞語和詞性之間用它分隔，否則用?_?分隔-D?DICT,?--dict?DICT??使用?DICT?代替默認詞典-u?USER_DICT,?--user-dict?USER_DICT使用?USER_DICT?作為附加詞典，與默認詞典或自定義詞典配合使用-a,?--cut-all?????????全模式分詞（不支持詞性標注）-n,?--no-hmm??????????不使用隱含馬爾可夫模型-q,?--quiet???????????不輸出載入信息到?STDERR-V,?--version?????????顯示版本信息并退出如果沒有指定文件名，則使用標準輸入。

--help?選項輸出：

$>?python?-m?jieba?--helpJieba?command?line?interface.positional?arguments:filename??????????????input?fileoptional?arguments:-h,?--help????????????show?this?help?message?and?exit-d?[DELIM],?--delimiter?[DELIM]use?DELIM?instead?of?'?/?'?for?word?delimiter;?or?aspace?if?it?is?used?without?DELIM-p?[DELIM],?--pos?[DELIM]enable?POS?tagging;?if?DELIM?is?specified,?use?DELIMinstead?of?'_'?for?POS?delimiter-D?DICT,?--dict?DICT??use?DICT?as?dictionary-u?USER_DICT,?--user-dict?USER_DICTuse?USER_DICT?together?with?the?default?dictionary?orDICT?(if?specified)-a,?--cut-all?????????full?pattern?cutting?(ignored?with?POS?tagging)-n,?--no-hmm??????????don't?use?the?Hidden?Markov?Model??-q,?--quiet???????????don't?print?loading?messages?to?stderr-V,?--version?????????show?program's?version?number?and?exitIf?no?filename?specified,?use?STDIN?instead.

延遲加載機制

jieba 采用延遲加載，import jieba?和?jieba.Tokenizer()不會立即觸發詞典的加載，一旦有必要才開始加載詞典構建前綴字典。如果你想手工初始 jieba，也可以手動初始化。

在 0.28 之前的版本是不能指定主詞典的路徑的，有了延遲加載機制后，你可以改變主詞典的路徑:
jieba.set_dictionary('data/dict.txt.big')
例子：?https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

#encoding=utf-8from?__future__?import?print_functionimport?syssys.path.append("../")import?jiebadef?cuttest(test_sent):????result?=?jieba.cut(test_sent)????print("??".join(result))def?testcase():????cuttest("這是一個伸手不見五指的黑夜。我叫孫悟空，我愛北京，我愛Python和C++。")????cuttest("我不喜歡日本和服。")????cuttest("雷猴回歸人間。")????cuttest("工信×××干事每月經過下屬科室都要親×××代24×××換機等技術性器件的安裝工作")????cuttest("我需要廉租房")????cuttest("永和服裝飾品有限公司")????cuttest("我愛北京天安門")????cuttest("abc")????cuttest("隱馬爾可夫")????cuttest("雷猴是個好網站")????if?__name__?==?"__main__":????testcase()????jieba.set_dictionary("foobar.txt")????print("================================")????testcase()

其他詞典

---

占用內存較小的詞典文件?https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

支持繁體分詞更好的詞典文件?https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

下載你所需要的詞典，然后覆蓋' jieba/dict.txt '即可；或者用 'jieba.set_dictionary('data/dict.txt.big')'

常見問題

1. 模型的數據是如何生成的？

詳見：?https://github.com/fxsjy/jieba/issues/7

2. “臺中”總是被切成“臺 中”？（以及類似情況）

P(臺中)?＜?P(臺)×P(中)，“臺中”詞頻不夠導致其成詞概率較低解決方法：強制調高詞頻jieba.add_word('臺中')或者jieba.suggest_freq('臺中',?True)

3. “今天天氣 不錯”應該被切成“今天 天氣 不錯”？（以及類似情況）

解決方法：強制調低詞頻jieba.suggest_freq(('今天',?'天氣'),?True)或者直接刪除該詞jieba.del_word('今天天氣')

4. 切出了詞典中沒有的詞語，效果不理想？

解決方法：關閉新詞發現jieba.cut('豐田太省了',?HMM=False)?jieba.cut('我們中出了一個叛徒',?HMM=False)

轉載于:https://blog.51cto.com/4259679/2145145

總結

以上是生活随笔為你收集整理的Python中文分词--jieba的基本使用的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。