Python中文分詞庫jieba,pkusegwg性能準確度比較

中文分詞(Chinese Word Segmentation)，將中文語句切割成單獨的詞組。英文使用空格來分開每個單詞的，而中文單獨一個漢字跟詞有時候完全不是同個含義，因此，中文分詞相比英文分詞難度高很多。

分詞主要用于NLP 自然語言處理（Natural Language Processing），使用場景有：

• 搜索優(yōu)化，關(guān)鍵詞提?。ò俣戎笖?shù)）
• 語義分析，智能問答系統(tǒng)（客服系統(tǒng)）
• 非結(jié)構(gòu)化文本媒體內(nèi)容，如社交信息（微博熱榜）
• 文本聚類，根據(jù)內(nèi)容生成分類（行業(yè)分類）

Python的中文分詞

Python的中文分詞庫有很多，常見的有：

• jieba（結(jié)巴分詞）
• THULAC（清華大學自然語言處理與社會人文計算實驗室）
• pkuseg（北京大學語言計算與機器學習研究組）
• SnowNLP
• pynlpir
• CoreNLP
• pyltp

通常前三個是比較經(jīng)常見到的，主要在易用性/準確率/性能都還不錯。我個人常用的一直都是結(jié)巴分詞（比較早接觸），最近使用pkuseg，兩者的使用后面詳細講。

結(jié)巴分詞

簡介

“結(jié)巴”中文分詞：做最好的 Python 中文分詞組件

• 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?？?，但是不能解決歧義；
  • 搜索引擎模式，在精確模式的基礎(chǔ)上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。
• 支持繁體分詞
• 支持自定義詞典

jieba分詞實例

我們使用京東商場的美的電器評論來看看結(jié)巴分詞的效果。如果你沒有安裝結(jié)巴分詞庫則需要在命令行下輸入pip install jieba，安裝完之后即可開始分詞之旅。

評論數(shù)據(jù)整理在文件meidi_jd.csv文件中，讀取數(shù)據(jù)前先導入相關(guān)庫。因為中文的文本或文件的編碼方式不同編碼選擇gb18030，有時候是utf-8、gb2312、gbk自行測試。

# 導入相關(guān)庫
import pandas as pd
import jieba

# 讀取數(shù)據(jù)
data = pd.read_csv('meidi_jd.csv', encoding='gb18030')

# 查看數(shù)據(jù)
data.head()

# 生成分詞
data['cut'] = data['comment'].apply(lambda x : list(jieba.cut(x)))

data.head()

到這里我們僅僅通過一行代碼即可生成中文的分詞列表，如果你想要生成分詞后去重可以改成這樣。

data['cut'] = data['comment'].apply(lambda x : list(set(jieba.cut(x))))

自定義詞典

經(jīng)過前面的分詞后，我們可以通過查看分詞是否準確，會發(fā)現(xiàn)實際上有些詞被分隔成單獨的漢字，例如：

print(data['cut'].loc[14])

['很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好']

這時候我們就需要導入自定義的詞典，以便包含 jieba 詞庫里沒有的詞。雖然 jieba 有新詞識別能力，但是自行添加新詞可以保證更高的正確率。自定義詞典采用一詞一行，為了演示我添加了“很好”并保存在dict.txt文件中，讓我們開始用自定義的詞典吧！

data['cut'] = data['comment'].apply(lambda x : list(jieba.cut(x)))

data.head()

print(data['cut'].loc[14])

['很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好']

現(xiàn)在已經(jīng)按照我們計劃的正確分詞出來了！很好！

停用詞

分詞的過程中我們會發(fā)現(xiàn)實際上有些詞實際上意義不大，比如：標點符號、嗯、啊等詞，這個時候我們需要將停用詞去除掉。首先我們需要有個停用詞詞組，可以自定義也可以從網(wǎng)上下載詞庫，這里我們使用網(wǎng)上下載的停用詞文件StopwordsCN.txt。

# 讀取停用詞數(shù)據(jù)
stopwords = pd.read_csv('StopwordsCN.txt', encoding='utf8', names=['stopword'], index_col=False)

stopwords.head()

接下里我們只要適當更改分詞的代碼即可在分詞的時候去掉停用詞：

# 轉(zhuǎn)化詞列表
stop_list = stopwords['stopword'].tolist()

# 去除停用詞
data['cut'] = data['comment'].apply(lambda x : [i for i in jieba.cut(x) if i not in stop_list])

data.head()

pkuseg

pkuseg簡單易用，支持細分領(lǐng)域分詞，有效提升了分詞準確度。

簡介

pkuseg具有如下幾個特點：

1. 多領(lǐng)域分詞。不同于以往的通用中文分詞工具，此工具包同時致力于為不同領(lǐng)域的數(shù)據(jù)提供個性化的預訓練模型。根據(jù)待分詞文本的領(lǐng)域特點，用戶可以自由地選擇不同的模型。 我們目前支持了新聞領(lǐng)域，網(wǎng)絡(luò)文本領(lǐng)域和混合領(lǐng)域的分詞預訓練模型，同時也擬在近期推出更多的細領(lǐng)域預訓練模型，比如醫(yī)藥、旅游、專利、小說等等。
2. 更高的分詞準確率。相比于其他的分詞工具包，當使用相同的訓練數(shù)據(jù)和測試數(shù)據(jù)，pkuseg可以取得更高的分詞準確率。
3. 支持用戶自訓練模型。支持用戶使用全新的標注數(shù)據(jù)進行訓練。

注：pkuseg目前僅支持Python3，目前已經(jīng)很多主流庫開始不支持Python2，建議使用Python3版本，如需使用Python2可創(chuàng)建虛擬環(huán)境來搭建。

Python中文分詞庫jpkuseg實例

pkuseg的使用跟結(jié)巴分詞有一點不一樣，pkuseg需要先創(chuàng)建模型實例再使用實例方法cut。前面有提到pkuseg是支持加載與訓練模型的，這也大大提高了分詞準確性，特別是對細分領(lǐng)域數(shù)據(jù)集進行分詞，詳細查看GitHub文檔。

import pkuseg

# 以默認配置加載模型
seg = pkuseg.pkuseg() 

# 進行分詞
data['cut'] = data['comment'].apply(lambda x: [i for i in seg.cut(x) if i not in stop_list])

data.head()

自定義詞典

同樣的，pkuseg也支持自定義詞典來提高分詞準確率。

# 使用默認模型，并使用自定義詞典
seg = pkuseg.pkuseg(user_dict='dict.txt') 

# 進行分詞
data['cut'] = data['comment'].apply(lambda x: [i for i in seg.cut(x) if i not in stop_list])

print(data['cut'].loc[14])

自定義預訓練模型

分詞模式下，用戶需要加載預訓練好的模型。pkuseg提供三種不同數(shù)據(jù)類型訓練得到的模型。

• MSRA: 在MSRA（新聞語料）上訓練的模型。下載地址
• CTB8: 在CTB8（新聞文本及網(wǎng)絡(luò)文本的混合型語料）上訓練的模型。下載地址
• WEIBO: 在微博（網(wǎng)絡(luò)文本語料）上訓練的模型。下載地址
• MixedModel: 混合數(shù)據(jù)集訓練的通用模型。隨pip包附帶的是此模型。下載地址

# 下載后解壓出來，并復制文件夾路徑
file_path = '/Users/jan/anaconda3/lib/python3.6/site-packages/pkuseg/ctb8'

# 加載其他預訓練模型
seg = pkuseg.pkuseg(model_name=file_path)

text = seg.cut('京東商城信得過，買的放心，用的省心、安心、放心！')

print(text)

jieba與pkusegwg性能對比

結(jié)巴的分詞速度說明比較簡單，描述中也沒有性能對比，更像是分詞內(nèi)容和環(huán)境。。

• 1.5 MB / Second in Full Mode
• 400 KB / Second in Default Mode
• 測試環(huán)境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《圍城》.txt

相比之下pkuseg選擇jieba、THULAC等國內(nèi)代表分詞工具包與pkuseg做性能比較。以下是在不同數(shù)據(jù)集上的對比結(jié)果：

從結(jié)果看pkuseg在精確度、召回率和F分數(shù)上表現(xiàn)得相當不錯。性能方面我使用jupyter notebook進行簡單測試。

%%timeit
data['cut'] = data['comment'].apply(lambda x : [i for i in jieba.cut(x) if i not in stop_list])

%%timeit
data['cut'] = data['comment'].apply(lambda x: [i for i in seg.cut(x) if i not in stop_list])

輸出結(jié)果：

結(jié)巴：2.54 s ± 3.77 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

pkuseg：7.45 s ± 68.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

從數(shù)據(jù)結(jié)果上看，pkuseg分詞的時間要高于結(jié)巴分詞的時間，當然pkuseg提供多進程來進行分詞，性能方面也是可以提高的。

詞頻統(tǒng)計

到這里我們基本是已經(jīng)學會用Python庫進行分詞，關(guān)于詞頻統(tǒng)計的方式也很多，我們先將所有分詞合并在一起方便統(tǒng)計。

# 將所有的分詞合并
words = []

for content in data['cut']:
 words.extend(content)

方式一：

# 創(chuàng)建分詞數(shù)據(jù)框
corpus = pd.DataFrame(words, columns=['word'])
corpus['cnt'] = 1

# 分組統(tǒng)計
g = corpus.groupby(['word']).agg({'cnt': 'count'}).sort_values('cnt', ascending=False)

g.head(10)

方式二：

# 導入相關(guān)庫
from collections import Counter
from pprint import pprint
counter = Counter(words)

# 打印前十高頻詞
pprint(counter.most_common(10))

[('不錯', 3913),

('安裝', 3055),

('好', 2045),

('很好', 1824),

('買', 1634),

('熱水器', 1182),

('挺', 1051),

('師傅', 923),

('美', 894),

('送貨', 821)]

結(jié)尾

我個人的使用建議，如果想簡單快速上手分詞可以使用結(jié)巴分詞，但如果追求準確度和特定領(lǐng)域分詞可以選擇pkuseg加載模型再分詞。另外jieba和THULAC并沒有提供細分領(lǐng)域預訓練模型，如果想使用自定義模型分詞需使用它們提供的訓練接口在細分領(lǐng)域的數(shù)據(jù)集上進行訓練，用訓練得到的模型進行中文分詞。

更多關(guān)于Python中文分詞庫jieba,pkusegwg的相關(guān)文章可以點擊下面的相關(guān)鏈接