前言
從本文開始驰吓，我們進(jìn)入實(shí)戰(zhàn)部分。首先履腋，我們按照中文自然語(yǔ)言處理流程的第一步獲取語(yǔ)料珊燎，然后重點(diǎn)進(jìn)行中文分詞的學(xué)習(xí)。中文分詞有很多種遵湖，常見的比如有中科院計(jì)算所 NLPIR悔政、哈工大 LTP、清華大學(xué) THULAC 延旧、斯坦福分詞器谋国、Hanlp 分詞器、jieba 分詞迁沫、IKAnalyzer 等芦瘾。這里針對(duì) jieba 和 HanLP 分別介紹不同場(chǎng)景下的中文分詞應(yīng)用。
jieba 分詞
jieba 安裝
（1）Python 2.x 下 jieba 的三種安裝方式集畅，如下：
全自動(dòng)安裝：執(zhí)行命令
easy_install jieba或者pip install jieba/pip3 install jieba近弟，可實(shí)現(xiàn)全自動(dòng)安裝。半自動(dòng)安裝：先下載 jieba挺智，解壓后運(yùn)行
python setup.py install祷愉。手動(dòng)安裝：將 jieba 目錄放置于當(dāng)前目錄或者 site-packages 目錄。
安裝完通過(guò) import jieba 驗(yàn)證安裝成功與否赦颇。
（2）Python 3.x 下的安裝方式二鳄。
Github 上 jieba 的 Python3.x 版本的路徑是：https://github.com/fxsjy/jieba/tree/jieba3k。
通過(guò) git clone https://github.com/fxsjy/jieba.git 命令下載到本地媒怯，然后解壓订讼，再通過(guò)命令行進(jìn)入解壓目錄，執(zhí)行 python setup.py install 命令沪摄，即可安裝成功躯嫉。
jieba 的分詞算法
主要有以下三種：
- 基于統(tǒng)計(jì)詞典纱烘，構(gòu)造前綴詞典，基于前綴詞典對(duì)句子進(jìn)行切分祈餐，得到所有切分可能擂啥，根據(jù)切分位置，構(gòu)造一個(gè)有向無(wú)環(huán)圖（DAG）帆阳；
- 基于DAG圖哺壶，采用動(dòng)態(tài)規(guī)劃計(jì)算最大概率路徑（最有可能的分詞結(jié)果），根據(jù)最大概率路徑分詞蜒谤；
- 對(duì)于新詞(詞庫(kù)中沒有的詞）山宾，采用有漢字成詞能力的 HMM 模型進(jìn)行切分。
jieba 分詞
下面我們進(jìn)行 jieba 分詞練習(xí)鳍徽，第一步首先引入 jieba 和語(yǔ)料:
import jieba
content = "現(xiàn)如今资锰，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)帶動(dòng)人工智能飛速的發(fā)展，并在圖片處理阶祭、語(yǔ)音識(shí)別領(lǐng)域取得巨大成功绷杜。"
（1）精確分詞
精確分詞：精確模式試圖將句子最精確地切開，精確分詞也是默認(rèn)分詞濒募。
segs_1 = jieba.cut(content, cut_all=False)
print("/".join(segs_1))
其結(jié)果為：
現(xiàn)如今/鞭盟，/機(jī)器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動(dòng)/人工智能/飛速/的/發(fā)展/，/并/在/圖片/處理/瑰剃、/語(yǔ)音/識(shí)別/領(lǐng)域/取得/巨大成功/齿诉。
（2）全模式
全模式分詞：把句子中所有的可能是詞語(yǔ)的都掃描出來(lái)，速度非成我Γ快粤剧，但不能解決歧義。
segs_3 = jieba.cut(content, cut_all=True)
print("/".join(segs_3))
結(jié)果為：
現(xiàn)如今/如今///機(jī)器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動(dòng)/動(dòng)人/人工/人工智能/智能/飛速/的/發(fā)展///并/在/圖片/處理///語(yǔ)音/識(shí)別/領(lǐng)域/取得/巨大/巨大成功/大成/成功//
（3）搜索引擎模式
搜索引擎模式：在精確模式的基礎(chǔ)上舀凛，對(duì)長(zhǎng)詞再次切分俊扳，提高召回率，適合用于搜索引擎分詞猛遍。
segs_4 = jieba.cut_for_search(content)
print("/".join(segs_4))
結(jié)果為：
如今/現(xiàn)如今/馋记，/機(jī)器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動(dòng)/人工/智能/人工智能/飛速/的/發(fā)展/，/并/在/圖片/處理/懊烤、/語(yǔ)音/識(shí)別/領(lǐng)域/取得/巨大/大成/成功/巨大成功/梯醒。
（4）用 lcut 生成 list
jieba.cut 以及 jieba.cut_for_search 返回的結(jié)構(gòu)都是一個(gè)可迭代的 Generator，可以使用 for 循環(huán)來(lái)獲得分詞后得到的每一個(gè)詞語(yǔ)（Unicode）腌紧。jieba.lcut 對(duì) cut 的結(jié)果做了封裝茸习，l 代表 list，即返回的結(jié)果是一個(gè) list 集合壁肋。同樣的号胚，用 jieba.lcut_for_search 也直接返回 list 集合籽慢。
segs_5 = jieba.lcut(content)
print(segs_5)
結(jié)果為：
['現(xiàn)如今', '，', '機(jī)器', '學(xué)習(xí)', '和', '深度', '學(xué)習(xí)', '帶動(dòng)', '人工智能', '飛速', '的', '發(fā)展', '猫胁，', '并', '在', '圖片', '處理', '箱亿、', '語(yǔ)音', '識(shí)別', '領(lǐng)域', '取得', '巨大成功', '。']
（5）獲取詞性
jieba 可以很方便地獲取中文詞性弃秆，通過(guò) jieba.posseg 模塊實(shí)現(xiàn)詞性標(biāo)注届惋。
import jieba.posseg as psg
print([(x.word,x.flag) for x in psg.lcut(content)])
結(jié)果為：
[('現(xiàn)如今', 't'), ('，', 'x'), ('機(jī)器', 'n'), ('學(xué)習(xí)', 'v'), ('和', 'c'), ('深度', 'ns'), ('學(xué)習(xí)', 'v'), ('帶動(dòng)', 'v'), ('人工智能', 'n'), ('飛速', 'n'), ('的', 'uj'), ('發(fā)展', 'vn'), ('菠赚，', 'x'), ('并', 'c'), ('在', 'p'), ('圖片', 'n'), ('處理', 'v'), ('脑豹、', 'x'), ('語(yǔ)音', 'n'), ('識(shí)別', 'v'), ('領(lǐng)域', 'n'), ('取得', 'v'), ('巨大成功', 'nr'), ('。', 'x')]
（6）并行分詞
并行分詞原理為文本按行分隔后衡查，分配到多個(gè) Python 進(jìn)程并行分詞瘩欺，最后歸并結(jié)果。
用法：
jieba.enable_parallel(4) # 開啟并行分詞模式拌牲，參數(shù)為并行進(jìn)程數(shù) 击碗。
jieba.disable_parallel() # 關(guān)閉并行分詞模式 。
注意： 并行分詞僅支持默認(rèn)分詞器 jieba.dt 和 jieba.posseg.dt们拙。目前暫不支持 Windows。
（7）獲取分詞結(jié)果中詞列表的 top n
from collections import Counter
top5= Counter(segs_5).most_common(5)
print(top5)
結(jié)果為：
[('阁吝，', 2), ('學(xué)習(xí)', 2), ('現(xiàn)如今', 1), ('機(jī)器', 1), ('和', 1)]
（8）自定義添加詞和字典
默認(rèn)情況下砚婆，使用默認(rèn)分詞，是識(shí)別不出這句話中的“鐵甲網(wǎng)”這個(gè)新詞突勇，這里使用用戶字典提高分詞準(zhǔn)確性装盯。
txt = "鐵甲網(wǎng)是中國(guó)最大的工程機(jī)械交易平臺(tái)。"
print(jieba.lcut(txt))
結(jié)果為：
['鐵甲', '網(wǎng)是', '中國(guó)', '最大', '的', '工程機(jī)械', '交易平臺(tái)', '甲馋。']
如果添加一個(gè)詞到字典埂奈，看結(jié)果就不一樣了。
jieba.add_word("鐵甲網(wǎng)")
print(jieba.lcut(txt))
結(jié)果為：
['鐵甲網(wǎng)', '是', '中國(guó)', '最大', '的', '工程機(jī)械', '交易平臺(tái)', '定躏。']
但是账磺，如果要添加很多個(gè)詞，一個(gè)個(gè)添加效率就不夠高了痊远，這時(shí)候可以定義一個(gè)文件垮抗，然后通過(guò) load_userdict()函數(shù)，加載自定義詞典碧聪，如下：
jieba.load_userdict('user_dict.txt')
print(jieba.lcut(txt))
結(jié)果為：
['鐵甲網(wǎng)', '是', '中國(guó)', '最大', '的', '工程機(jī)械', '交易平臺(tái)', '冒版。']
注意事項(xiàng)：
jieba.cut 方法接受三個(gè)輸入?yún)?shù): 需要分詞的字符串；cut_all 參數(shù)用來(lái)控制是否采用全模式逞姿；HMM 參數(shù)用來(lái)控制是否使用 HMM 模型辞嗡。
jieba.cut_for_search 方法接受兩個(gè)參數(shù)：需要分詞的字符串捆等；是否使用 HMM 模型。該方法適合用于搜索引擎構(gòu)建倒排索引的分詞续室，粒度比較細(xì)栋烤。
HanLP 分詞
pyhanlp 安裝
其為 HanLP 的 Python 接口，支持自動(dòng)下載與升級(jí) HanLP猎贴，兼容 Python2班缎、Python3。
安裝命令為 pip install pyhanlp她渴，使用命令 hanlp 來(lái)驗(yàn)證安裝达址。
pyhanlp 目前使用 jpype1 這個(gè) Python 包來(lái)調(diào)用 HanLP，如果遇到：
building '_jpype' extensionerror: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft VisualC++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
則推薦利用輕量級(jí)的 Miniconda 來(lái)下載編譯好的 jpype1趁耗。
conda install -c conda-forge jpype1
pip install pyhanlp
未安裝 Java 時(shí)會(huì)報(bào)錯(cuò)：
jpype.jvmfinder.JVMNotFoundException: No JVM shared library file (jvm.dll) found. Try setting up the JAVAHOME environment variable properly.
HanLP 主項(xiàng)目采用 Java 開發(fā)沉唠，所以需要 Java 運(yùn)行環(huán)境，請(qǐng)安裝 JDK苛败。
命令行交互式分詞模式
在命令行界面满葛，使用命令 hanlp segment 進(jìn)入交互分詞模式，輸入一個(gè)句子并回車罢屈，HanLP 會(huì)輸出分詞結(jié)果：
可見嘀韧，pyhanlp 分詞結(jié)果是帶有詞性的。
服務(wù)器模式
通過(guò) hanlp serve 來(lái)啟動(dòng)內(nèi)置的 HTTP 服務(wù)器缠捌，默認(rèn)本地訪問(wèn)地址為：http://localhost:8765 锄贷。
也可以訪問(wèn)官網(wǎng)演示頁(yè)面：http://hanlp.hankcs.com/。
通過(guò)工具類 HanLP 調(diào)用常用接口
通過(guò)工具類 HanLP 調(diào)用常用接口曼月，這種方式應(yīng)該是我們?cè)陧?xiàng)目中最常用的方式谊却。
（1）分詞
from pyhanlp import *
content = "現(xiàn)如今，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)帶動(dòng)人工智能飛速的發(fā)展哑芹，并在圖片處理炎辨、語(yǔ)音識(shí)別領(lǐng)域取得巨大成功。"
print(HanLP.segment(content))
結(jié)果為：
[現(xiàn)如今/t, 聪姿，/w, 機(jī)器學(xué)習(xí)/gi, 和/cc, 深度/n, 學(xué)習(xí)/v, 帶動(dòng)/v, 人工智能/n, 飛速/d, 的/ude1, 發(fā)展/vn, 碴萧，/w, 并/cc, 在/p, 圖片/n, 處理/vn, 、/w, 語(yǔ)音/n, 識(shí)別/vn, 領(lǐng)域/n, 取得/v, 巨大/a, 成功/a, 末购。/w]
（2）自定義詞典分詞
在沒有使用自定義字典時(shí)的分詞勿决。
txt = "鐵甲網(wǎng)是中國(guó)最大的工程機(jī)械交易平臺(tái)。"
print(HanLP.segment(txt))
結(jié)果為：
[鐵甲/n, 網(wǎng)/n, 是/vshi, 中國(guó)/ns, 最大/gm, 的/ude1, 工程/n, 機(jī)械/n, 交易/vn, 平臺(tái)/n, 招盲。/w]
添加自定義新詞：
CustomDictionary.add("鐵甲網(wǎng)")
CustomDictionary.insert("工程機(jī)械", "nz 1024")
CustomDictionary.add("交易平臺(tái)", "nz 1024 n 1")
print(HanLP.segment(txt))
結(jié)果為：
[鐵甲網(wǎng)/nz, 是/vshi, 中國(guó)/ns, 最大/gm, 的/ude1, 工程機(jī)械/nz, 交易平臺(tái)/nz, 低缩。/w]
當(dāng)然了，jieba 和 pyhanlp 能做的事還有很多，關(guān)鍵詞提取咆繁、自動(dòng)摘要讳推、依存句法分析、情感分析等玩般，后面章節(jié)我們將會(huì)講到银觅，這里不再贅述。
