首发于 NLP知识深入探究

中文分词（jieba）和语料库制作（gensim）

本文的内容为以下两个部分：

结巴（jieba）分词

在自然语言处理领域中，分词和提取关键词都是对文本处理时通常要进行的步骤。用Python语言对英文文本进行预处理时可选择NLTK库，中文文本预处理可选择jieba库。结巴分词是基于统计的分词方法，它对给出大量已经分词的文本，利用统计机器学习模型学习词语切分的规律（称为训练），从而实现对未知文本的切分。例如最大概率分词方法和最大熵分词方法等。随着大规模语料库的建立，统计机器学习方法的研究和发展，基于统计的中文分词方法渐渐成为了主流方法。

jieba分词的三种模式:

结巴分词的其他特点诸如：支持繁体分词，支持自定义词典，基于Trie树结构实现高效的词图扫描，采用了动态规划查找最大概率路径等特点。

jieba库中分词函数

1、jieba.cut()方法
参数string:需要接受分词的字符串。
参数cut_all：控制是否采用全模式分词发，参数为True时表示采用全模式。
参数HMM：控制是否使用HMM模型，参数为True时表示使用HMM模型。

2、jieba.cut_for_search()
参数string:需要接受分词的字符串。
参数HMM：控制是否使用HMM模型，参数为True时表示使用HMM模型。

jieba.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。jieba.lcut和jieba.lcut_for_search参数和上面两个方法一致但返回的是一个list。

import jieba

string='上海市浦东新区世纪大道100号楼501'

#精准模式
text_cut=jieba.cut(string)
print(" ".join(text_cut))

#全模式
text_cut=jieba.cut(string,cut_all=True)
print(" ".join(text_cut))

#搜索模式
text_cut=jieba.cut_for_search(string)
print(" ".join(text_cut))

三种模式的输出结果：

精准模式：上海市浦东新区世纪大道 100 号楼 501

全模式：上海上海市上海市浦东新区海市浦东浦东新区新区世纪纪大大道 100 号楼 501

搜索引擎模式：上海海市浦东新区上海市上海市浦东新区世纪大道 100 号楼 501

jieba分词自定义字典

在使用jieba时，用户除了直接对文本进行分词外，还可以自行添加新词，已达到优化分词效果的目的。

1、加载自定义字典jieba.load_userdict()
参数filename：为文件类对象或自定义词典的路径
词典格式分为3个部分：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。

2、从字典中添加或删除词汇add_word、del_word
add_word(word,freq=None,tag=None)，add_word有3个参数，添加词名称，词频，词性
del_word(word)，del_word只有一个参数词语名称

3、词频调整suggest_freq
suggest_freq（segment,tune=True）
调节单个词语的词频，可以使其能（或不能）被分出来，词频越高在分词时，能够被分出来的概率越大。

import jieba

#载入自定义词典
jieba.load_userdict('word_dict.txt')

#查看用户自定义词典中的内容
print(jieba.user_word_tag_tab)

#往自定义词典中添加新词
jieba.add_word('人民广场',freq=5,tag='n')

#添加新词后的结果
print(jieba.user_word_tag_tab)

string='上海市浦东新区世纪大道100号楼501'
text_cut=jieba.cut(string)
print(" ".join(text_cut))

#调整词频，重新分词
jieba.suggest_freq(('上海市','浦东新区'),tune=True)
text_cut=jieba.cut(string)
print(" ".join(text_cut))

输出结果：

载入词典内容：{'世纪大道': 'n', '浦东新区 2 ': 'n', '世纪公园 3 ': 'n'}

添加新词后：{'世纪大道': 'n', '浦东新区 2 ': 'n', '世纪公园 3 ': 'n', '人民广场': 'n'}

结巴原始字典库，分词结果：上海市浦东新区世纪大道 100 号楼 501

使用自定义词典后，分词结果：上海市浦东新区世纪大道 100 号楼 501

调整词频后，分词结果：上海市浦东新区世纪大道 100 号楼 501

Gensim

Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。
它支持包括TF-IDF，LSA，LDA，和word2vec在内的多种主题模型算法。

语料库制作

语料库制作主要包含两个过程：
获取词袋：本文主要来自于结巴分词结果
向量转换：对获取的词袋进行向量转换

1、获取词袋函数 gensim.corpora.Dictionary()
gensim.corpora.dictionary.Dictionary可以为每个出现在语料库中的单词分配了一个独一无二的整数编号id。这个操作收集了单词计数及其他相关的统计信息。

import jieba
import gensim

print(jieba.user_word_tag_tab)
string=['上海市浦东新区世纪大道100号楼501','上海市世纪大道100号楼501']

texts_list=[]
for sentence in string:
    sentence_list=[ word for word in jieba.cut(sentence)]
    texts_list.append(sentence_list)

dictionary=gensim.corpora.Dictionary(texts_list)
print(dictionary)
print(dictionary.token2id)

输出结果：
Dictionary(7 unique tokens: ['100', '501', '上海市浦东新区', '世纪', '号楼']...)
{'100': 0, '501': 1, '上海市浦东新区': 2, '世纪': 3, '号楼': 4, '大道': 5, '上海市': 6}

第一行结果告诉我们语料库中有7个不同的单词，这表明每个文档将会用7个数字表示（即7维向量）。
第二行结果是查看单词与编号之间的映射关系。

2、向量转换 dictionary.doc2bow（）

函数doc2bow() 简单地对每个不同单词的出现次数进行了计数，并将单词转换为其编号，然后以稀疏向量的形式返回结果。

corpus = [dictionary.doc2bow(doc) for doc in texts_list]
print(corpus)

输出结果：
[[(0, 1), (1, 1), (2, 1), (3, 1), (4, 1), (5, 1)], [(0, 1), (1, 1), (3, 1), (4, 1), (5, 1), (6, 1)]]

以上结果中，表示两个字符串中，每个词的id以及它对应的出现频次，比如第一个元组（0,1）代表的是编号为0的词在第一个字符串中出现一次。

发布于 2019-05-28 09:44

jieba分词

中文分词

结巴分词

文章被以下专栏收录

NLP知识深入探究

NLP相关基础知识