.NET Core中文分詞組件jieba.NET Core

特點(diǎn)

• 支持三種分詞模式：

  • 精確模式，試圖將句子最精確地切開，適合文本分析；

  • 全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義。具體來說，分詞過程不會(huì)借助于詞頻查找最大概率路徑，亦不會(huì)使用HMM；

  • 搜索引擎模式，在精確模式的基礎(chǔ)上，對(duì)長(zhǎng)詞再次切分，提高召回率，適合用于搜索引擎分詞。

• 支持繁體分詞

• 支持添加自定義詞典和自定義詞

jieba.NET Core 用法

下載代碼使用VS 2017 打開，或者使用VS Code 打開項(xiàng)目。

選擇jieba.NET 為起始項(xiàng)目，Program.cs 代碼如下：

    class Program
    {        static void Main(string[] args)
        {
            Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);            var segmenter = new JiebaSegmenter();            var segments = segmenter.Cut("我來到北京清華大學(xué)", cutAll: true);
            Console.WriteLine("【全模式】：{0}", string.Join("/ ", segments));

            segments = segmenter.Cut("我來到北京清華大學(xué)");  // 默認(rèn)為精確模式
            Console.WriteLine("【精確模式】：{0}", string.Join("/ ", segments));

            segments = segmenter.Cut("他來到了網(wǎng)易杭研大廈");  // 默認(rèn)為精確模式，同時(shí)也使用HMM模型
            Console.WriteLine("【新詞識(shí)別】：{0}", string.Join("/ ", segments));

            segments = segmenter.CutForSearch("小明碩士畢業(yè)于×××計(jì)算所，后在日本京都大學(xué)深造"); // 搜索引擎模式
            Console.WriteLine("【搜索引擎模式】：{0}", string.Join("/ ", segments));

            segments = segmenter.Cut("結(jié)過婚的和尚未結(jié)過婚的");
            Console.WriteLine("【歧義消除】：{0}", string.Join("/ ", segments));
            Console.ReadKey();
        }
    }

運(yùn)行程序結(jié)果如下：

JiebaSegmenter.Cut方法可通過cutAll來支持兩種模式，精確模式和全模式。精確模式是最基礎(chǔ)和自然的模式，試圖將句子最精確地切開，適合文本分析；而全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度更快，但是不能解決歧義，因?yàn)樗粫?huì)掃描最大概率路徑，也不會(huì)通過HMM去發(fā)現(xiàn)未登錄詞。

CutForSearch采用的是搜索引擎模式，在精確模式的基礎(chǔ)上對(duì)長(zhǎng)詞再次切分，提高召回率，適合用于搜索引擎分詞。

詞性標(biāo)注

詞性標(biāo)注采用和ictclas兼容的標(biāo)記法，關(guān)于ictclas和jieba中使用的標(biāo)記法列表，請(qǐng)參考：詞性標(biāo)記。

在TestDemo.cs 中PosCutDemo 方法為詞性標(biāo)注。

        public void PosCutDemo()
        {            var posSeg = new PosSegmenter();            var s = "一團(tuán)碩大無朋的高能離子云，在遙遠(yuǎn)而神秘的太空中迅疾地飄移";            var tokens = posSeg.Cut(s);
            Console.WriteLine(string.Join(" ", tokens.Select(token => string.Format("{0}/{1}", token.Word, token.Flag))));
        }

調(diào)用結(jié)果如下：

關(guān)鍵詞提取

現(xiàn)在來嘗試提取其中的關(guān)鍵詞。jieba.NET提供了TF-IDF和TextRank兩種算法來提取關(guān)鍵詞，TF-IDF對(duì)應(yīng)的類是JiebaNet.Analyser.TfidfExtractor，TextRank的是JiebaNet.Analyser.TextRankExtractor。

        public void ExtractTagsDemo()
        {            var text =                "程序員(英文Programmer)是從事程序開發(fā)、維護(hù)的專業(yè)人員。一般將程序員分為程序設(shè)計(jì)人員和程序編碼人員，但兩者的界限并不非常清楚，特別是在中國(guó)。軟件從業(yè)人員分為初級(jí)程序員、高級(jí)程序員、系統(tǒng)分析員和項(xiàng)目經(jīng)理四大類。";            var extractor = new TfidfExtractor();            var keywords = extractor.ExtractTags(text);            foreach (var keyword in keywords)
            {
                Console.WriteLine(keyword);
            }
        }        public void ExtractTagsDemo2()
        {            var text = @"在數(shù)學(xué)和計(jì)算機(jī)科學(xué)/算學(xué)之中，算法/算則法（Algorithm）為一個(gè)計(jì)算的具體步驟，常用于計(jì)算、數(shù)據(jù)處理和自動(dòng)推理。精確而言，算法是一個(gè)表示為有限長(zhǎng)列表的有效方法。算法應(yīng)包含清晰定義的指令用于計(jì)算函數(shù)。
                         算法中的指令描述的是一個(gè)計(jì)算，當(dāng)其運(yùn)行時(shí)能從一個(gè)初始狀態(tài)和初始輸入（可能為空）開始，經(jīng)過一系列有限而清晰定義的狀態(tài)最終產(chǎn)生輸出并停止于一個(gè)終態(tài)。一個(gè)狀態(tài)到另一個(gè)狀態(tài)的轉(zhuǎn)移不一定是確定的。隨機(jī)化算法在內(nèi)的一些算法，包含了一些隨機(jī)輸入。
                         形式化算法的概念部分源自嘗試解決希爾伯特提出的判定問題，并在其后嘗試定義有效計(jì)算性或者有效方法中成形。這些嘗試包括庫爾特·哥德爾、雅克·埃爾布朗和斯蒂芬·科爾·克萊尼分別于1930年、1934年和1935年提出的遞歸函數(shù)，阿隆佐·邱奇于1936年提出的λ演算，1936年Emil Leon Post的Formulation 1和艾倫·圖靈1937年提出的圖靈機(jī)。即使在當(dāng)前，依然常有直覺想法難以定義為形式化算法的情況。";            var extractor = new TfidfExtractor();            var keywords = extractor.ExtractTags(text, 10, Constants.NounAndVerbPos);            foreach (var keyword in keywords)
            {
                Console.WriteLine(keyword);
            }
        }

ExtractTagsDemo 方法為提取所有關(guān)鍵詞。

ExtractTagsDemo2 方法為提取前十個(gè)僅包含名詞和動(dòng)詞的關(guān)鍵詞

ExtractTagsWithWeight方法的返回結(jié)果中除了包含關(guān)鍵詞，還包含了相應(yīng)的權(quán)重值。

返回詞語在原文的起止位置

        public void TokenizeDemo()
        {            var segmenter = new JiebaSegmenter();            var s = "永和服裝飾品有限公司";            var tokens = segmenter.Tokenize(s);            foreach (var token in tokens)
            {
                Console.WriteLine("word {0,-12} start: {1,-3} end: {2,-3}", token.Word, token.StartIndex, token.EndIndex);
            }
        }

調(diào)用 TokenizeDemo 方法會(huì)返回對(duì)應(yīng)位置

新詞加入

代碼加入

            var segmenter = new JiebaSegmenter();            var segments = segmenter.Cut(@".NETCore2.0的發(fā)布時(shí)間，.NET Core 2.0預(yù)覽版及.NET Standard 2.0 Preview大概在5月中旬或下旬發(fā)布。");
            Console.WriteLine("【精確模式】：{0}", string.Join("/ ", segments));
            segmenter.AddWord("發(fā)布時(shí)間");
            segmenter.AddWord(".NETCore2.0");
            segments = segmenter.Cut(@".NETCore2.0的發(fā)布時(shí)間，.NET Core 2.0預(yù)覽版及.NET Standard 2.0 Preview大概在5月中旬或下旬發(fā)布。");
            Console.WriteLine("【精確模式】：{0}", string.Join("/ ", segments));

調(diào)用 segmenter.AddWord添加新詞，這里添加了發(fā)布時(shí)間及.NETCore2.0

可以看到新加入的詞被識(shí)別出來。

詞典加入

詞典格式如下：詞典格式與主詞典格式相同，即一行包含：詞、詞頻（可省略）、詞性（可省略），用空格隔開。詞頻省略時(shí)，分詞器將使用自動(dòng)計(jì)算出的詞頻保證該詞被分出。

創(chuàng)新辦 3 i
云計(jì)算 5凱特琳 nz
臺(tái)中
機(jī)器學(xué)習(xí) 3深度學(xué)習(xí) 8linezero 2

然后使用segmenter.LoadUserDict() 方法，傳入詞典路徑。

更多詳細(xì)內(nèi)容，可以查看代碼及readme.md