中文分词库jieba介绍

1.jieba库是较好的中文分词词库

2.jieba库分词思想有三步：定义前缀词典，构建字典树；生成句子有向图，路径规划输出最优路径；基于HMM模型求解decoding问题

3.生成句子有向图本质是贝叶斯网络，路径规划实质是求解联合概率分布

4.jieba的HMM模型的隐状态有四种：BMES，基于大量语料库初始化参数（初始概率分布，转移矩阵和发射矩阵）

分词是对文本预处理重要环节，英文分词可以针对空格切分达到很好的效果。而中国文字博大精深，需要用一定的方法处理。本文就介绍基于python第三方库jieba分词库，它是比较好的中文分词词库。jieba库的分词原理主要有三项：

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)

• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合

• 对于未登录词，采用了基于汉字成词能力的HMM模型，使用Viterbi算法求解

前缀词典与DAG

首先是前缀词典的扫描。jieba库是利用了Tier树进行高效扫描，Tier树中文名叫字典树、前缀树。它的用途主要是将字符串整合成树形。

比如由“清华”、“清华大学”、“清白”、“中华”、“华夏”五个中文词构成的Tier树：

这个树里面每一个方块代表一个节点，其中根节点Root不代表任何字符；紫色代表分支节点；绿色代表叶子节点。除根节点外每一个节点都只包含一个字符。从根节点到叶子节点，路径上经过的字符连接起来，构成一个词。而叶子节点内的数字代表该词在字典树中所处的链路（字典中有多少个词就有多少条链路），具有共同前缀的链路称为串。

字典树有以下三个特点：

• 具有相同前缀的词必须位于同一个串内

比如“清华”和“清白”两个词语，都有“清”这个前缀，那么在字典树上只需要构建一个“清”节点即可，这在一定程度减少存储空间。

• 字典树中的词只可共用前缀，不可共用词的其他部分

比如“华夏”和“中华”，这两个词都有共同的后缀“华”，但在字典树上必须是两条独立的链路，即字典树仅依靠公共前缀压缩字典存储空间。再看“清华大学”这个词语，“大学”也是一个词语，但是“清华大学”的后缀，所以“大学”必须从根节点开始重新构建。

• 一个完整的词必须从根节点开始，至叶子节点结束
  

字典树实质是一个有限状态自动机(Definite Automata,DFA)，它从一个节点（状态）转移到另一个节点（状态）的行为完全由状态转移函数控制，而状态转移函数本质上是一种映射，这意味着：逐字搜索字典树时，从一个字符到下一个字符比对是不需要遍历该节点的所有子节点的。

构建完字典树后就可以生成句子的有向无环图(DAG)。

假设对于待切分的字符串（句子）有m个字符，考虑每个字符左右两边的位置，则有m+1个点，编号从0~m，把候选词看成边，根据前缀词典生成一个切分图。比如句子“我毕业于北京大学”：

“我”这条边起点是0，终点是1；“毕业”这条边起点是1，终点是3，依次类推，根据词典，我们可以得到两条路径：

路径1：0-1-3-4-6-8  切分方案S1：我/毕业/于/北京/大学

路径2：0-1-3-4-8      切分方案S2：我/毕业/于/北京大学

动态规划

对于方案S1和S2，我们最终选取哪种切分方案呢。jieba库的字典树会标记每个词的频率，它存储在dict.txt文件中：

该文件每一行代表一个词语，每一行存储【词名 词频 词性】三个字段。

注：词性标注表在网上有大量资料，读者可以自行查找

在知道每个词出现的频率之后，就可以基于动态规划的方法来寻找概率最大的分词路径，这里采取从右往左去寻找最优路径。具体怎么做，其实就是算每种路径的联合概率分布，还记得有向无环图（DAG）其实是一种贝叶斯网络嘛，我们在概率图模型中介绍过其联合概率分布的公式：

传送门：概率图模型(模型表示)

比如对于上一节的两种路径S1和S2，它其实对应着两个贝叶斯网络:

分别计算他们的联合概率分布，最大的那个即为最终切分方案

注：jieba分词是从右往左，所以实际中方向与上图箭头相反

HMM的译码分词

如果遇到一些词典中没有的词语，那怎么办呢。jieba采取了HMM模型进行生成，它主要是进行译码（Decoding）问题：

回顾一下HMM模型，要求解上述状态序列，需要知道HMM的参数λ=(π,A,B)，即初始状态概率分布π，状态转移矩阵A和发射矩阵B.

传送门：

隐马尔可夫模型（背景介绍）

隐马尔可夫模型（前向算法与后向算法）

隐马尔可夫模型（Baum Welch算法与Viterbi算法）

隐马尔可夫模型（模型推断五大问题）

隐马尔可夫模型（算法流程&实例演示）

那么在jieba库里，这三个参数是什么呢。jieba库首先定义了四种状态BEMS，B是开始，begin位置；E是end，是结束位置；M是middle，是中间位置；S是singgle，单独成词的位置，没有前，也没有后。采用(B、E、M、S)这四种状态来标记中文词语，比如北京可以标注为 BE；中华民族可以标注为BMME，就是开始、中间、中间、结束。

然后采用大量的语料进行训练，得到了HMM的参数λ，分别存储在finalseg目录下的三个文件（prob_start.py、prob_trans.py 、prob_emit.py 、 ）

我们来大概浏览一下这三个文件的内容，

• 初始状态分布π

• 状态转移矩阵A:

• 发射矩阵B:

jieba库应用

总结一下，jieba库的分词原理是：生成字典树——给定句子生成DAG——路径规划输出概率最大切分组合——不在字典树的词语基于HMM模型求解Decoding问题

这一节我们简单介绍一下jieba库在代码层面的具体应用。

• 分词
  
  

import jieba
jieba.cut(sentence,cut_all=False,HMM=True,use_paddle=False)
jieba.cut_for_search(sentence,HMM=True)

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_paddl参数是否使用训练序列标注（双向GRU）网络模型实现分词。

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。

上面两个方法返回的结构是 generator，利用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list

注：paddle需要额外安装，官网见参考资料

• 字典

jieba.load_userdict(filename)
jieba.add_word(word, freq=None, tag=None)
jieba.del_word(word)
jieba.suggest_freq(segment, tune=False)

‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍load_userdict方法添加自定义词典，词典格式和 dict.txt 一样，词频和词性可省略，顺序不可颠倒；add_word和 del_word可在程序中动态修改词典；suggest_freq可调节单个词语的词频

• 关键词提取

　　　

import jieba.analyse

#基于TF-IDF算法的关键词抽取
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
jieba.analyse.TFIDF(idf_path=None) #新建TFIDF 实例，idf_path 为IDF 频率文件
jieba.analyse.set_idf_path(file_name)# 切换成自定义语料库,file_name为自定义语料库的路径

#基于TextRank算法的关键词抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))
jieba.analyse.TextRank()

#关键词提取所使用停止词
jieba.analyse.set_stop_words(file_name)

sentence为待提取的文本，topK 为返回权重最大的关键词的个数，默认 20，withWeight 为是否一并返回关键词权重值，默认 False，allowPOS 仅包括指定词性的词，默认为空。

TFIDF方法表示新建 TFIDF 实例，同理，TextRank方法新建自定义 TextRank 实例

• 词性标注

import jieba
import jieba.posseg as pseg

words = pseg.cut(sentence) #jieba默认模式

jieba.enable_paddle()
words = pseg.cut(sentence, use_paddle=True) # paddle模式
for word, flag in words:
    print(' %s %s ' % (word, flag))

jieba.posseg.POSTokenizer(tokenizer=None)

POSTokenizer 方法是新建自定义分词器，tokenizer 参数可指定内部使用Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。

• 其他
  

import jieba
#返回词语在原文的起止位置
re = jieba.tokenize(sentence,mode='search',HMM=True) #默认模式
for i in re:
    print("word %s\t\t start: %d \t\t end:%d" % (i[0], i[1], i[2]))

#延迟加载，初始化字典
jieba.initialize() # 手动初始化（可选）
jieba.set_dictionary('data/dict.txt.big')

jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。也可以改变主词典的路径。

参考资料：

https://github.com/fxsjy/jieba

https://www.paddlepaddle.org.cn/