jieba分词

jieba分词可以参考官方提供的github地址：https://github.com/fxsjy/jieba结巴分词0.4版本以上支持四种分词模式：

  • 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。（应该是百度提供的分词模型）

结巴的安装

pip install jieba
# 旧版本升级
pip install jieba --upgrade
# 使用paddle模式：结巴版本大于0.4且安装paddlepaddle-tiny模块
pip install paddlepaddle-tiny==1.6.1

结巴的参数设置：
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-8

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(unicode)，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list

jieba.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。

结巴的测试示例：

# -*- coding:utf-8 -*-
import jieba

jieba.enable_paddle()  # 开启paddle模式
sentences = ["2015年我毕业于西安建筑科技大学",
             "2015年我毕业于西安科技大学",
             "2015年我毕业于西安电子科技大学",
             "2015年我毕业于西安建筑科技大学",
             "2015年我毕业于西安交通大学",
             "2015年我毕业于北京大学"]

for sentence in sentences:
    # 全模式
    words = jieba.cut(sentence, cut_all=True)
    print("全模式:  %s" % " ".join(words))

    words = jieba.cut(sentence, use_paddle=True)
    print("新词模式:  %s" % " ".join(words))
    # 默认精确模式
    words = jieba.cut(sentence)
    print("精确模式:  %s" % " ".join(words))

    # 搜索模式
    words = jieba.cut_for_search(sentence)
    print("搜索模式:  %s" % " ".join(words))

不同模式下的分词结果：

全模式:  2015 年 我 毕业 于 西安 建筑 科技 大学
新词模式:  2015年 我 毕业 于 西安建筑科技大学
精确模式:  2015 年 我 毕业 于 西安 建筑 科技 大学
搜索模式:  2015 年 我 毕业 于 西安 建筑 科技 大学

全模式:  2015 年 我 毕业 于 西安 科技 大学
新词模式:  2015年 我 毕业 于 西安科技大学
精确模式:  2015 年 我 毕业 于 西安 科技 大学
搜索模式:  2015 年 我 毕业 于 西安 科技 大学

全模式:  2015 年 我 毕业 于 西安 西安电子科技大学 电子 电子科 电子科技 科技 大学
新词模式:  2015年 我 毕业 于 西安电子科技大学
精确模式:  2015 年 我 毕业 于 西安电子科技大学
搜索模式:  2015 年 我 毕业 于 西安 电子 科技 大学 电子科 西安电子科技大学

全模式:  2015 年 我 毕业 于 西安 建筑 科技 大学
新词模式:  2015年 我 毕业 于 西安建筑科技大学
精确模式:  2015 年 我 毕业 于 西安 建筑 科技 大学
搜索模式:  2015 年 我 毕业 于 西安 建筑 科技 大学

全模式:  2015 年 我 毕业 于 西安 西安交通 西安交通大学 交通 大学
新词模式:  2015年 我 毕业 于 西安交通大学
精确模式:  2015 年 我 毕业 于 西安交通大学
搜索模式:  2015 年 我 毕业 于 西安 交通 大学 西安交通大学

全模式:  2015 年 我 毕业 于 北京 北京大学 大学
新词模式:  2015年 我 毕业 于 北京大学
精确模式:  2015 年 我 毕业 于 北京大学
搜索模式:  2015 年 我 毕业 于 北京 大学 北京大学

从测试的情况中可以简单的推测：paddle模式对于机构团体名的解析比较准确，而精确模式对部分词语的解析不太正确，搜索和全模式也是一样，主要是jieba默认的词典dict.txt中包含了北京大学和西安交通大学，不包含其他学校的名称，所以精确模式没有正确的分词，需要自定义词典添加这些词汇应该就可以正确的切分。