NLP之jieba分词_jieba的特点
赞
踩
对于做NLP (Natural Laugurage Processing，自然语言处理) 的朋友来说，中文的分词工具 "结巴" 分词应该是再熟悉不过了。笔者在相关的工作中也从它受益颇丰，今天就着重介绍一下这个自称 "做最好的python中文分词组件" 的jieba分词。
简介
如果要处理中文文本，首先要做的第一步就是将它进行拆分处理，但是不像英文文本中有" "空格 这种天然的分隔符，中文需要一些辅助工具来帮助完成分词的任务。
常见的中文分词工具
- Jieba
- SnowNLP (MIT)
- Thulac（清华大学）
- StanfNLP (斯坦福大学)
- FudanNLP（复旦大学）
我用的比较多的jieba和StanfNLP，其中jieba善于分词，StanfNLP则擅长词性标注和实体识别。这里主要分享一下对jieba的特点及其原理。
（jiaba完整文档 GitHub: https://github.com/fxsjy/jieba）
jieba的特点
1.支持3种分词模式
- 精确模式：试图将句子最精确地切分，适合文本分析
- 全模式：把句子所有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. eg 苹果
- 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
2.支持繁体分体
3.支持自定义词典： 按照 "单词_词性_词频" 的格式加入，后两项可省略
- import jieba
-
- sent = '用刀尖入水，用显微镜看雪，就算反复如此，还是忍不住问一问，你数过天上的星星吗？它们和小鸟一样，总在我胸口跳伞。'
- seg_list1 = jieba.cut(sent,cut_all=True)
- print('全模式：','/'.join(seg_list1))
- seg_list2 = jieba.cut(sent,cut_all=False)
- print('精确模式：','/'.join(seg_list2))
- seg_list3 = jieba.cut(sent)
- print('默认精确模式：','/'.join(seg_list3))
- seg_list4 = jieba.cut_for_search(sent)
- print('搜索引擎模式：','/'.join(seg_list4))
- 全模式： 用/刀尖/入水///用/显微/显微镜/看/雪///就算/反复/如此///还是/忍不住/不住/问一问///你/数/过天/天上/的/星星/吗///它们/和/小鸟/一样///总/在/我/胸口/跳伞//
- 精确模式： 用/刀尖/入/水/，/用/显微镜/看雪/，/就算/反复/如此/，/还是/忍不住/问一问/，/你/数过/天上/的/星星/吗/？/它们/和/小鸟/一样/，/总在/我/胸口/跳伞/。
- 默认精确模式： 用/刀尖/入/水/，/用/显微镜/看雪/，/就算/反复/如此/，/还是/忍不住/问一问/，/你/数过/天上/的/星星/吗/？/它们/和/小鸟/一样/，/总在/我/胸口/跳伞/。
- 搜索引擎模式： 用/刀尖/入/水/，/用/显微/显微镜/看雪/，/就算/反复/如此/，/还是/不住/忍不住/问一问/，/你/数过/天上/的/星星/吗/？/它们/和/小鸟/一样/，/总在/我/胸口/跳伞/。
jieba分词原理
算法原理如下图所示，主要包含以下3项：
- "基于前缀 (Tier) 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" (Dynamic Programming) 查找 最大概率路径，找出 "基于词频" 的 "最大切分组合"；
- 对于词库中不存在的词，即新词（未登录词），采用了 "基于汉字成词能力" 的 "HMM模型"，使用了 "Viterbi算法"
>> 通过前缀树 (Trie) 结构，生成所有成词可能的有向无环图(DAG)
Trie树，中文名叫字典树、前缀树等。主要用于将字符整合成树形。举例来看由 "清华大学"、"清华"、"清新"、"中华"、"华人"五个中文词构成的Trie树。树的结构如下：
其中，root时根节点，不代表任何字符。除根节点外，每个节点代表一个字符。从根节点到叶节点路径上的字符连接起来，构成一个词。叶节点的数字表示词在字典树中所处的 "链路"（字典有多少个词就由多少条链条），具有共同前缀的链路称为 "串"。在Tier 树中搜索一个字符串时，会从根节点出发，沿着某条链路向下查找，直到找到相应的根节点为止，这种处理方式有2个优点：
- 公共前缀树的词都位于同一个串内，查词范围大幅缩小。因为首字符不同的字符串，都会被排除
- Trie树实质是一个 有限状态自动机（Define Automata，DFA），表明从Trie树的一个节点(状态) 转移到另一个节点的行为完全由状态转移函数控制，本质上是一种影射。意味着逐字搜索Trie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Trie树之后就可以根据Trie树生成句子的有向无环图（DAG）。如果待切分字符串有m个字符，考虑每个字符左边和右边的位置，则有m+1个点对应，点的编号从0到m。把候选词看成边，可以根据词典生成一个此份词图。切分词图是一个有向正权重的图。举例："有意见分歧"
在 "有意见分歧" 的切分词图中："有" 这条边的起点是0，终点是1； "有意" 这条边的起点是0，终点是2，以此类推。切分方案就是从源点0到终点5之间的路径，共存在2条切分路径。
路径1：0－1－3－5 对应切分方案S1：有/ 意见/ 分歧/
路径2：0－2－3－5 对应切分方案S2：有意/ 见/ 分歧/
>> 动态规划查找最大概率路径，找出基于最大词频的最大切分组合
在jieba分词中的Trie树会标记每个词的频率，有个概率就可以动态规划的找寻最大分词路径了。一般动态规划都是从左往右，然而因为汉语句子的重心一般都在后面，所以我们一般采用 "从右往左" 的方式寻找最优路径。
>> 对于新词，采用 “HMM模型 + Viterbi算法”
未登录词就是在词典（Trie树）中未记录的词。对于这类词就是采用HMM模型来生成的（因此如果删除了词典，也是可以进行分词的）。那么HMM模型是如何构建的呢？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。也就是说，他采用了状态为 (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，即 北/B 京/E，表示北是开始位置，京是结束位置；中华民族可以标注为BMME，就是开始、中间、中间、结束。
jieba分词的作者对大量语料进行的训练，得到了finalseg目录下的三个文件（prob_trans.py 、prob_emit.py 、prob_start.py ）
要统计的主要有三个概率表：
prob_trans.py
1）位置转换概率，即B（开头），M（中间)，E(结尾)，S(独立成词）四种状态的转移概率；
{‘B’: {‘E’: 0.8518218565181658, ‘M’: 0.14817814348183422},
‘E’: {‘B’: 0.5544853051164425, ‘S’: 0.44551469488355755},
‘M’: {‘E’: 0.7164487459986911, ‘M’: 0.2835512540013088},
‘ S’: {‘B’: 0.48617017333894563, ‘S’: 0.5138298266610544}}
P(E|B) = 0.851；P(M|B) = 0.149，说明当我们处于一个词的开头时，下一个字是结尾的概率要远高于下一个字是中间字的概率，符合我们的直觉，因为二个字的词比多个字的词更常见。
prob_emit.py
2）位置到单字的发射概率，比如P(“和”|M)表示一个词的中间出现”和”这个字的概率；
prob_start.py
3）词语以某种状态开头的概率，其实只有两种，要么是B，要么是S。这个就是起始向量，就是HMM系统的最初模型状态实际上，BEMS之间的转换有点类似于2元模型，就是2个词之间的转移二元模型考虑一个单词后出现另外一个单词的概率，是N元模型中的一种。例如：一般来说，”中国”之后出现”北京”的概率大于”中国”之后出现”北海”的概率，也就是：中国北京 比 中国北海出现的概率大些, 更有可能是一个中文词语。
因此jieba分词的过程：
１）生成Tier树
２）给定句子，使用正则获取连续的中文字符和英文字符，切分成短语列表，构建有向无环图（先生成，然后去词典中匹配寻找最大概率路径）和使用动态规划，得到概率最大的路径。对DAG中那些没有在字典中查到的词，组合成一个新的片段短语，使用HMM模型进行分词
３）使用python中的yield语法生成一个词语生成器返回
未完待续...
参考：
https://blog.csdn.net/gdh756462786/article/details/79102642
https://www.cnblogs.com/snailclimb/p/9086433.html
https://www.cnblogs.com/jiangxinyang/p/9330876.html
https://blog.csdn.net/u013982921/article/details/81085395
https://blog.csdn.net/qq_37098526/article/details/88877798
https://blog.csdn.net/weixin_30575309/article/details/98795091
