引言

“結(jié)巴”分詞是一個(gè)Python 中文分詞組件，參見https://github.com/fxsjy/jieba
可以對(duì)中文文本進(jìn)行分詞、詞性標(biāo)注、關(guān)鍵詞抽取等功能筷畦，并且支持自定義詞典。

本文包括以下內(nèi)容：
1刺洒、jieba分詞包的安裝
2鳖宾、jieba分詞的使用教程
3、jieba分詞的工作原理與工作流程
4作媚、jieba分詞所涉及到的HMM攘滩、TextRank、TF-IDF等算法介紹

安裝

可以直接使用pip來進(jìn)行安裝：
sudo pip install jieba
或者
sudo pip3 install jieba

簡(jiǎn)單使用

分詞

對(duì)一句話進(jìn)行分詞

import jieba

text = "征戰(zhàn)四海只為今日一勝纸泡，我不會(huì)再敗了漂问。"
# jieba.cut直接得到generator形式的分詞結(jié)果
seg = jieba.cut(text)  
print(' '.join(seg)) 

# 也可以使用jieba.lcut得到list的分詞結(jié)果
seg = jieba.lcut(text)
print(seg)

征戰(zhàn) 四海 只 為 今日 一勝 ， 我 不會(huì) 再敗 了 女揭。
['征戰(zhàn)', '四海', '只', '為', '今日', '一勝', '蚤假，', '我', '不會(huì)', '再敗', '了', '。']

命令行進(jìn)行分詞

python -m jieba input.txt > output.txt

詞性分析

import jieba.posseg as posseg

text = "征戰(zhàn)四海只為今日一勝吧兔，我不會(huì)再敗了磷仰。"
# generator形式形如pair(‘word’, ‘pos’)的結(jié)果
seg = posseg.cut(text)  
print([se for se in seg]) 

# list形式的結(jié)果
seg = posseg.lcut(text)
print(seg)

[pair('征戰(zhàn)', 'v'), pair('四海', 'ns'), pair('只', 'd'), pair('為', 'p'), pair('今日', 't'), pair('一', 'm'), pair('勝', 'v'), pair('，', 'x'), pair('我', 'r'), pair('不會(huì)', 'v'), pair('再敗', 'v'), pair('了', 'ul'), pair('境蔼。', 'x')]
[pair('征戰(zhàn)', 'v'), pair('四海', 'ns'), pair('只', 'd'), pair('為', 'p'), pair('今日', 't'), pair('一', 'm'), pair('勝', 'v'), pair('灶平，', 'x'), pair('我', 'r'), pair('不會(huì)', 'v'), pair('再敗', 'v'), pair('了', 'ul'), pair('。', 'x')]

關(guān)鍵詞抽取

關(guān)鍵詞抽取有兩種算法箍土，基于TF-IDF和基于TextRank：

import jieba.analyse as analyse
text = "征戰(zhàn)四海只為今日一勝逢享，我不會(huì)再敗了。"
# TF-IDF
tf_result = analyse.extract_tags(text, topK=5) # topK指定數(shù)量吴藻，默認(rèn)20
print(tf_result)
# TextRank
tr_result = analyse.textrank(text, topK=5) # topK指定數(shù)量瞒爬，默認(rèn)20
print(tr_result)

['一勝', '再敗', '征戰(zhàn)', '四海', '今日']
['一勝', '再敗', '征戰(zhàn)', '四海', '今日']

完整用法

分詞

jieba分詞有三種不同的分詞模式：精確模式、全模式和搜索引擎模式：

jieba.cut(sentence,cut_all=False,HMM=True) # 精確模式
jieba.cut(sentence,cut_all=True,HMM=True) # 全模式
jieba.cut_for_search (sentence, HMM=True) # 搜索引擎模式

對(duì)應(yīng)的，函數(shù)前加l即是對(duì)應(yīng)得到list結(jié)果的函數(shù)：

jieba.lcut(sentence,cut_all=False,HMM=True) # 精確模式
jieba.lcut(sentence,cut_all=True,HMM=True) # 全模式
jieba.lcut_for_search (sentence, HMM=True) # 搜索引擎模式

sentence = "征戰(zhàn)四海只為今日一勝侧但，我不會(huì)再敗了矢空。"
#---------------result----------------
'今天天氣 真 好' # 精確模式
'今天 今天天氣 天天 天氣 真好' # 全模式
'今天 天天 天氣 今天天氣 真 好' # 搜索引擎模式

精確模式是最常用的分詞方法，全模式會(huì)將句子中所有可能的詞都列舉出來禀横，搜索引擎模式則適用于搜索引擎使用屁药。具體的差別可在下一節(jié)工作流程的分析中詳述。

在上述每個(gè)函數(shù)中燕侠，都有名為HMM的參數(shù)者祖。這一項(xiàng)表示是否在分詞過程中利用HMM進(jìn)行新詞發(fā)現(xiàn)。關(guān)于HMM绢彤，本文附錄中將簡(jiǎn)述相關(guān)知識(shí)。

另外分詞支持自定義字典蜓耻，詞典格式和 dict.txt 一樣茫舶，一個(gè)詞占一行；每一行分三部分：詞語刹淌、詞頻（可省略）饶氏、詞性（可省略），用空格隔開有勾，順序不可顛倒疹启。
具體使用方法為：

jieba.load_userdict(file_name)  # 載入自定義詞典
jieba.add_word(word, freq=None, tag=None) # 在程序中動(dòng)態(tài)修改詞典
jieba.del_word(word) 
jieba.suggest_freq(segment, tune=True) # 調(diào)節(jié)單個(gè)詞語的詞頻，使其能/不能被分詞開

關(guān)鍵詞抽取

關(guān)鍵詞抽取的兩個(gè)函數(shù)的完整參數(shù)為：

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=(), withFlag=False)
# topK 表示返回最大權(quán)重關(guān)鍵詞的個(gè)數(shù)蔼卡，None表示全部
# withWeight表示是否返回權(quán)重喊崖，是的話返回(word,weight)的list
# allowPOS僅包括指定詞性的詞，默認(rèn)為空即不篩選雇逞。
jieba.analyse.textrank(self, sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'), withFlag=False)
# 與TF-IDF方法相似荤懂，但是注意allowPOS有默認(rèn)值，即會(huì)默認(rèn)過濾某些詞性塘砸。

并行分詞

可以通過

jieba.enable_parallel(4) # 開啟并行分詞模式节仿，參數(shù)為并行進(jìn)程數(shù)，默認(rèn)全部
jieba.disable_parallel() # 關(guān)閉并行分詞模式

來打開或關(guān)閉并行分詞功能掉蔬。
個(gè)人感覺一般用不到廊宪，大文件分詞需要手動(dòng)實(shí)現(xiàn)多進(jìn)程并行，句子分詞也不至于用這個(gè)女轿。

代碼研讀與工作流程分析

整體工作流程

jieba分詞主要通過詞典來進(jìn)行分詞及詞性標(biāo)注箭启，兩者使用了一個(gè)相同的詞典。正因如此谈喳，分詞的結(jié)果優(yōu)劣將很大程度上取決于詞典册烈，雖然使用了HMM來進(jìn)行新詞發(fā)現(xiàn)。
jieba分詞包整體的工作流程如下圖所示：

整體工作流程

下面將根據(jù)源碼詳細(xì)地分析各個(gè)模塊的工作流程。

在之后幾節(jié)中赏僧，我們?cè)?strong>藍(lán)色的方框中示范了關(guān)鍵步驟的輸出樣例或詞典文件的格式樣例大猛。在本節(jié)中都采用類似的表示方式。

分詞

jieba分詞中淀零，首先通過對(duì)照典生成句子的有向無環(huán)圖挽绩，再根據(jù)選擇的模式不同，根據(jù)詞典尋找最短路徑后對(duì)句子進(jìn)行截取或直接對(duì)句子進(jìn)行截取驾中。對(duì)于未登陸詞（不在詞典中的詞）使用HMM進(jìn)行新詞發(fā)現(xiàn)唉堪。

a.精確模式與全模式

b.搜索引擎模式

詞典的格式應(yīng)為
word1 freq1 word_type1
word2 freq2 word_type2
…
其中自定義用戶詞典中詞性word_type可以省略取试。
詞典在其他模塊的流程中可能也會(huì)用到，為方便敘述怀吻，后續(xù)的流程圖中將會(huì)省略詞典的初始化部分瞬浓。

圖b演示了搜索引擎模式的工作流程，它會(huì)在精確模式分詞的基礎(chǔ)上蓬坡，將長(zhǎng)詞再次進(jìn)行切分猿棉。

HMM與新詞發(fā)現(xiàn)

在這里我們假定讀者已經(jīng)了解HMM相關(guān)知識(shí)，如果沒有可先行閱讀下一章內(nèi)容中的HMM相關(guān)部分或者跳過本節(jié)屑咳。

在jieba分詞中萨赁，將字在詞中的位置B、M兆龙、E杖爽、S作為隱藏狀態(tài)，字是觀測(cè)狀態(tài)，使用了詞典文件分別存儲(chǔ)字之間的表現(xiàn)概率矩陣（finalseg/prob_emit.py）慰安、初始概率向量(finalseg/prob_start.py)和轉(zhuǎn)移概率矩陣(finalseg/prob_trans.py)腋寨。這就是一個(gè)標(biāo)準(zhǔn)的解碼問題，根據(jù)概率再利用viterbi算法對(duì)最大可能的隱藏狀態(tài)進(jìn)行求解化焕。

HMM工作流程

詞性分析

詞性分析部分與分詞模塊用了同一個(gè)基礎(chǔ)的分詞器茎截，對(duì)于詞典詞的詞性，將直接從詞典中提取赶盔，但是對(duì)于新詞企锌，詞性分析部分有一個(gè)專屬的新詞及其詞性的發(fā)現(xiàn)模塊。
用于詞性標(biāo)注的HMM模型與用于分詞的HMM模型相似于未，同樣將文字序列視為可見狀態(tài)撕攒，但是隱藏狀態(tài)不再是單單的詞的位置（B/E/M/S），而變成了詞的位置與詞性的組合烘浦，如(B,v)(B,n)(S,n)等等抖坪。因此其初始概率向量、轉(zhuǎn)移概率矩陣和表現(xiàn)概率矩陣和上一節(jié)中所用的相比都要龐大的多闷叉，但是其本質(zhì)以及運(yùn)算步驟都沒有變化擦俐。
具體的工作流程如下圖所示。

a.詞性標(biāo)注工作流程

b.用于HMM的概率詞典示意圖

關(guān)鍵詞提取

jieba分詞中有兩種不同的用于關(guān)鍵詞抽取的算法握侧，分別為TextRank和TF-IDF蚯瞧。實(shí)現(xiàn)流程比較簡(jiǎn)單，其核心在于算法本身品擎。下面簡(jiǎn)單地畫出實(shí)現(xiàn)流程埋合，具體的算法可以參閱下一章內(nèi)容。

關(guān)鍵詞提取實(shí)現(xiàn)流程示意圖

TextRank方法默認(rèn)篩選詞性萄传，而TF-IDF方法模型不進(jìn)行詞性篩選甚颂。

【附錄】

在本章中，將會(huì)簡(jiǎn)單介紹相關(guān)的算法知識(shí)，主要包括用于新詞發(fā)現(xiàn)的隱馬爾科夫模型和維特比算法振诬、用于關(guān)鍵詞提取的TextRank和TF-IDF算法蹭睡。

HMM

HMM即隱馬爾科夫模型，是一種基于馬爾科夫假設(shè)的統(tǒng)計(jì)模型贷揽。之所以為“隱”棠笑，是因?yàn)橄噍^于馬爾科夫過程HMM有著未知的參數(shù)。在世界上禽绪，能看到的往往都是表象蓖救，而事物的真正狀態(tài)往往都隱含在表象之下，并且與表象有一定的關(guān)聯(lián)關(guān)系印屁。

其中础钠，S恰力、O分別表示狀態(tài)序列與觀測(cè)序列。

如果讀者還對(duì)這部分內(nèi)容心存疑問踩萎，不妨先往下閱讀很钓，下面我們將以一個(gè)比較簡(jiǎn)單的例子對(duì)HMM及解碼算法進(jìn)行實(shí)際說明與演示香府，在讀完下一小節(jié)之后再回來看這些式子，或許能夠恍然大悟码倦。

下面以一個(gè)簡(jiǎn)單的例子來進(jìn)行闡述：
假設(shè)小明有一個(gè)網(wǎng)友小紅企孩，小紅每天都會(huì)在朋友圈說明自己今天做了什么，并且假設(shè)其僅受當(dāng)天天氣的影響袁稽，而當(dāng)天的天氣也只受前一天天氣的影響勿璃。
于小明而言，小紅每天做了什么是可見狀態(tài)运提，而小紅那里的天氣如何就是隱藏狀態(tài)蝗柔，這就構(gòu)成了一個(gè)HMM模型。一個(gè)HMM模型需要有五個(gè)要素：隱藏狀態(tài)集民泵、觀測(cè)集癣丧、轉(zhuǎn)移概率、觀測(cè)概率和初始狀態(tài)概率栈妆。

即在第j個(gè)隱藏狀態(tài)時(shí)，表現(xiàn)為i表現(xiàn)狀態(tài)的概率市框。式中的n和m表示隱藏狀態(tài)集和觀測(cè)集中的數(shù)量霞扬。
本例中在不同的天氣下，小紅要做不同事情的概率也不同枫振，觀測(cè)概率以表格的形式呈現(xiàn)如下：

其中

除此之外粪滤，還需要一個(gè)初始狀態(tài)概率向量π斧拍，它表示了觀測(cè)開始時(shí)，即t=0時(shí)杖小，隱藏狀態(tài)的概率值肆汹。本例中我們指定π={0,0,1}。

至此予权，一個(gè)完整的隱馬爾科夫模型已經(jīng)定義完畢了昂勉。

HMM一般由三類問題：
概率計(jì)算問題，即給定A,B,π和隱藏狀態(tài)序列扫腺，計(jì)算觀測(cè)序列的概率硼啤；
預(yù)測(cè)問題，也成解碼問題斧账，已知A,B,π和觀測(cè)序列，求最優(yōu)可能對(duì)應(yīng)的狀態(tài)序列煞肾；
學(xué)習(xí)問題咧织，已知觀測(cè)序列，估計(jì)模型的A,B,π參數(shù)籍救，使得在該模型下觀測(cè)序列的概率最大习绢，即用極大似然估計(jì)的方法估計(jì)參數(shù)。

在jieba分詞中所用的是解碼問題蝙昙，所以此處對(duì)預(yù)測(cè)問題和學(xué)習(xí)問題不做深入探討闪萄，在下一小節(jié)中我們將繼續(xù)以本節(jié)中的例子為例，對(duì)解碼問題進(jìn)行求解奇颠。

Viterbi算法

在jieba分詞中败去，采用了HMM進(jìn)行新詞發(fā)現(xiàn)，它將每一個(gè)字表示為B/M/E/S分別代表出現(xiàn)在詞頭烈拒、詞中圆裕、詞尾以及單字成詞广鳍。將B/M/E/S作為HMM的隱藏狀態(tài)，而連續(xù)的各個(gè)單字作為觀測(cè)狀態(tài)吓妆，其任務(wù)即為利用觀測(cè)狀態(tài)預(yù)測(cè)隱藏狀態(tài)赊时，并且其模型的A,B,π概率已經(jīng)給出在文件中，所以這是一個(gè)標(biāo)準(zhǔn)的解碼問題行拢。在jieba分詞中采用了Viterbi算法來進(jìn)行求解祖秒。

Viterbi算法的基本思想是：如果最佳路徑經(jīng)過一個(gè)點(diǎn)，那么起始點(diǎn)到這個(gè)點(diǎn)的路徑一定是最短路徑舟奠，否則用起始點(diǎn)到這點(diǎn)更短的一條路徑代替這段竭缝，就會(huì)得到更短的路徑，這顯然是矛盾的鸭栖；從起始點(diǎn)到結(jié)束點(diǎn)的路徑歌馍，必然要經(jīng)過第n個(gè)時(shí)刻，假如第n個(gè)時(shí)刻有k個(gè)狀態(tài)晕鹊，那么最終路徑一定經(jīng)過起始點(diǎn)到時(shí)刻n中k個(gè)狀態(tài)里最短路徑的點(diǎn)松却。
將時(shí)刻t隱藏狀態(tài)為i所有可能的狀態(tài)轉(zhuǎn)移路徑i1到i2的狀態(tài)最大值記為

下面我們繼續(xù)以上一節(jié)中的例子來對(duì)viterbi算法進(jìn)行闡述：
小明不知道小紅是哪里人袜啃，他只能通過小紅每天的活動(dòng)來推斷那里的天氣摹菠。
假設(shè)連續(xù)三天榕吼，小紅的活動(dòng)依次為：“睡覺-打游戲-逛街”定血，我們將據(jù)此計(jì)算最有可能的天氣情況血崭。

表示第一天為雨天能夠使得第二天為晴天的概率最大（也就是說如果第二天是晴天在最短路徑上的話躁锁，第一天是雨天也一定在最短路徑上，參見上文中Viterbi算法的基本思想）

此時(shí)已經(jīng)到了最后的時(shí)刻卵史，我們開始回溯战转。

其計(jì)算過程示意圖如下圖所示。

）的路徑谨垃。

TF-IDF

TF-IDF（詞頻-逆文本頻率）是一種用以評(píng)估字詞在文檔中重要程度的統(tǒng)計(jì)方法吏砂。它的核心思想是撵儿，如果某個(gè)詞在一篇文章中出現(xiàn)的頻率即TF高，并且在其他文檔中出現(xiàn)的很少狐血，則認(rèn)為這個(gè)詞有很好的類別區(qū)分能力淀歇。

其中：

TextRank

TextRank是一種用以關(guān)鍵詞提取的算法，因?yàn)槭腔赑ageRank的乡小，所以先介紹PageRank阔加。
PageRank通過互聯(lián)網(wǎng)中的超鏈接關(guān)系確定一個(gè)網(wǎng)頁的排名，其公式是通過一種投票的思想來設(shè)計(jì)的：如果我們計(jì)算網(wǎng)頁A的PageRank值满钟，那么我們需要知道哪些網(wǎng)頁鏈接到A胜榔，即首先得到A的入鏈，然后通過入鏈給網(wǎng)頁A進(jìn)行投票來計(jì)算A的PR值湃番。其公式為：

其中：

要計(jì)算PR值的網(wǎng)頁

鏈接到Vi的網(wǎng)頁夭织，即它的入鏈

Vj的PR值

所有入鏈的集合

網(wǎng)頁j中鏈接存在的鏈接指向的網(wǎng)頁的集合

其個(gè)數(shù)

d為阻尼系數(shù)，取值范圍為0-1吠撮，代表從一定點(diǎn)指向其他任意點(diǎn)的概率尊惰，一般取值0.85。
將上式多次迭代即可直到收斂即可得到結(jié)果泥兰。

TextRank算法基于PageRank的思想弄屡，利用投票機(jī)制對(duì)文本中重要成分進(jìn)行排序。如果兩個(gè)詞在一個(gè)固定大小的窗口內(nèi)共同出現(xiàn)過鞋诗，則認(rèn)為兩個(gè)詞之間存在連線琢岩。

公式1

公式與PageRank的基本相同。多次迭代直至收斂师脂，即可得到結(jié)果。
在jieba分詞中江锨，TextRank設(shè)定的詞窗口大小為5吃警，將公式1迭代10次的結(jié)果作為最終權(quán)重的結(jié)果，而不一定迭代至收斂啄育。