NLP第2課：中文分詞利器 jieba 和 HanLP

前言

從本文開始，我們進(jìn)入實(shí)戰(zhàn)部分。首先，我們按照中文自然語言處理流程的第一步獲取語料，然后重點(diǎn)進(jìn)行中文分詞的學(xué)習(xí)。中文分詞有很多種，常見的比如有中科院計(jì)算所 NLPIR、哈工大 LTP、清華大學(xué) THULAC 、斯坦福分詞器、Hanlp 分詞器、jieba 分詞、IKAnalyzer 等。這里針對(duì) jieba 和 HanLP 分別介紹不同場(chǎng)景下的中文分詞應(yīng)用。

jieba 分詞

jieba 安裝

（1）Python 2.x 下 jieba 的三種安裝方式，如下：

• 全自動(dòng)安裝 ：執(zhí)行命令 easy_install jieba 或者 pip install jieba / pip3 install jieba ，可實(shí)現(xiàn)全自動(dòng)安裝。

• 半自動(dòng)安裝 ：先 下載 jieba ，解壓后運(yùn)行 python setup.py install 。

• 手動(dòng)安裝 ：將 jieba 目錄放置于當(dāng)前目錄或者 site-packages 目錄。

安裝完通過 import jieba 驗(yàn)證安裝成功與否。

（2）Python 3.x 下的安裝方式。

Github 上 jieba 的 Python3.x 版本的路徑是： https://github.com/fxsjy/jieba/tree/jieba3k 。

通過 git clone https://github.com/fxsjy/jieba.git 命令下載到本地，然后解壓，再通過命令行進(jìn)入解壓目錄，執(zhí)行 python setup.py install 命令，即可安裝成功。

jieba 的分詞算法

主要有以下三種：

1. 基于統(tǒng)計(jì)詞典，構(gòu)造前綴詞典，基于前綴詞典對(duì)句子進(jìn)行切分，得到所有切分可能，根據(jù)切分位置，構(gòu)造一個(gè)有向無環(huán)圖（DAG）；

2. 基于DAG圖，采用動(dòng)態(tài)規(guī)劃計(jì)算最大概率路徑（最有可能的分詞結(jié)果），根據(jù)最大概率路徑分詞；

3. 對(duì)于新詞(詞庫中沒有的詞），采用有漢字成詞能力的 HMM 模型進(jìn)行切分。

jieba 分詞

下面我們進(jìn)行 jieba 分詞練習(xí)，第一步首先引入 jieba 和語料:

    import jieba
    content = "現(xiàn)如今，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)帶動(dòng)人工智能飛速的發(fā)展，并在圖片處理、語音識(shí)別領(lǐng)域取得巨大成功。"

（1） 精確分詞

精確分詞：精確模式試圖將句子最精確地切開，精確分詞也是默認(rèn)分詞。

segs_1 = jieba.cut(content, cut_all=False)print("/".join(segs_1))

其結(jié)果為：

現(xiàn)如今/，/機(jī)器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動(dòng)/人工智能/飛速/的/發(fā)展/，/并/在/圖片/處理/、/語音/識(shí)別/領(lǐng)域/取得/巨大成功/。

（2） 全模式

全模式分詞：把句子中所有的可能是詞語的都掃描出來，速度非?？欤荒芙鉀Q歧義。

    segs_3 = jieba.cut(content, cut_all=True)    print("/".join(segs_3))

結(jié)果為：

現(xiàn)如今/如今///機(jī)器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動(dòng)/動(dòng)人/人工/人工智能/智能/飛速/的/發(fā)展///并/在/圖片/處理///語音/識(shí)別/領(lǐng)域/取得/巨大/巨大成功/大成/成功//

（3） 搜索引擎模式

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。

    segs_4 = jieba.cut_for_search(content)    print("/".join(segs_4))

結(jié)果為：

如今/現(xiàn)如今/，/機(jī)器/學(xué)習(xí)/和/深度/學(xué)習(xí)/帶動(dòng)/人工/智能/人工智能/飛速/的/發(fā)展/，/并/在/圖片/處理/、/語音/識(shí)別/領(lǐng)域/取得/巨大/大成/成功/巨大成功/。

（4） 用 lcut 生成 list

jieba.cut 以及 jieba.cut_for_search 返回的結(jié)構(gòu)都是一個(gè)可迭代的 Generator，可以使用 for 循環(huán)來獲得分詞后得到的每一個(gè)詞語（Unicode）。jieba.lcut 對(duì) cut 的結(jié)果做了封裝，l 代表 list，即返回的結(jié)果是一個(gè) list 集合。同樣的，用 jieba.lcut_for_search 也直接返回 list 集合。

    segs_5 = jieba.lcut(content)    print(segs_5)

結(jié)果為：

['現(xiàn)如今', '，', '機(jī)器', '學(xué)習(xí)', '和', '深度', '學(xué)習(xí)', '帶動(dòng)', '人工智能', '飛速', '的', '發(fā)展', '，', '并', '在', '圖片', '處理', '、', '語音', '識(shí)別', '領(lǐng)域', '取得', '巨大成功', '。']

（5） 獲取詞性

jieba 可以很方便地獲取中文詞性，通過 jieba.posseg 模塊實(shí)現(xiàn)詞性標(biāo)注。

    import jieba.posseg as psg
    print([(x.word,x.flag) for x in psg.lcut(content)])

結(jié)果為：

[('現(xiàn)如今', 't'), ('，', 'x'), ('機(jī)器', 'n'), ('學(xué)習(xí)', 'v'), ('和', 'c'), ('深度', 'ns'), ('學(xué)習(xí)', 'v'), ('帶動(dòng)', 'v'), ('人工智能', 'n'), ('飛速', 'n'), ('的', 'uj'), ('發(fā)展', 'vn'), ('，', 'x'), ('并', 'c'), ('在', 'p'), ('圖片', 'n'), ('處理', 'v'), ('、', 'x'), ('語音', 'n'), ('識(shí)別', 'v'), ('領(lǐng)域', 'n'), ('取得', 'v'), ('巨大成功', 'nr'), ('。', 'x')]

（6） 并行分詞

并行分詞原理為文本按行分隔后，分配到多個(gè) Python 進(jìn)程并行分詞，最后歸并結(jié)果。

用法：

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

注意： 并行分詞僅支持默認(rèn)分詞器 jieba.dt 和 jieba.posseg.dt。目前暫不支持 Windows。

（7） 獲取分詞結(jié)果中詞列表的 top n

    from collections import Counter
    top5= Counter(segs_5).most_common(5)
    print(top5)

結(jié)果為：

[('，', 2), ('學(xué)習(xí)', 2), ('現(xiàn)如今', 1), ('機(jī)器', 1), ('和', 1)]

（8） 自定義添加詞和字典

默認(rèn)情況下，使用默認(rèn)分詞，是識(shí)別不出這句話中的“鐵甲網(wǎng)”這個(gè)新詞，這里使用用戶字典提高分詞準(zhǔn)確性。

    txt = "鐵甲網(wǎng)是中國(guó)最大的工程機(jī)械交易平臺(tái)。"
    print(jieba.lcut(txt))

結(jié)果為：

['鐵甲', '網(wǎng)是', '中國(guó)', '最大', '的', '工程機(jī)械', '交易平臺(tái)', '。']

如果添加一個(gè)詞到字典，看結(jié)果就不一樣了。

    jieba.add_word("鐵甲網(wǎng)")    print(jieba.lcut(txt))

結(jié)果為：

['鐵甲網(wǎng)', '是', '中國(guó)', '最大', '的', '工程機(jī)械', '交易平臺(tái)', '。']

但是，如果要添加很多個(gè)詞，一個(gè)個(gè)添加效率就不夠高了，這時(shí)候可以定義一個(gè)文件，然后通過 load_userdict() 函數(shù)，加載自定義詞典，如下：

    jieba.load_userdict('user_dict.txt')    print(jieba.lcut(txt))

結(jié)果為：

['鐵甲網(wǎng)', '是', '中國(guó)', '最大', '的', '工程機(jī)械', '交易平臺(tái)', '。']

注意事項(xiàng)：

jieba.cut 方法接受三個(gè)輸入?yún)?shù): 需要分詞的字符串； cut_all 參數(shù)用來控制是否采用全模式；HMM 參數(shù)用來控制是否使用 HMM 模型。

jieba.cut_for_search 方法接受兩個(gè)參數(shù)：需要分詞的字符串；是否使用 HMM 模型。該方法適合用于搜索引擎構(gòu)建倒排索引的分詞，粒度比較細(xì)。

HanLP 分詞

pyhanlp 安裝

其為 HanLP 的 Python 接口，支持自動(dòng)下載與升級(jí) HanLP，兼容 Python2、Python3。

安裝命令為 pip install pyhanlp ，使用命令 hanlp 來驗(yàn)證安裝。

pyhanlp 目前使用 jpype1 這個(gè) Python 包來調(diào)用 HanLP，如果遇到：

building '_jpype' extensionerror: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft VisualC++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools

則推薦利用輕量級(jí)的 Miniconda 來下載編譯好的 jpype1。

    conda install -c conda-forge jpype1
    pip install pyhanlp

未安裝 Java 時(shí)會(huì)報(bào)錯(cuò) ：

jpype. jvmfinder.JVMNotFoundException: No JVM shared library file (jvm.dll) found. Try setting up the JAVA HOME environment variable properly.

HanLP 主項(xiàng)目采用 Java 開發(fā)，所以需要 Java 運(yùn)行環(huán)境，請(qǐng)安裝 JDK。

命令行交互式分詞模式

在命令行界面，使用命令 hanlp segment 進(jìn)入交互分詞模式，輸入一個(gè)句子并回車，HanLP 會(huì)輸出分詞結(jié)果：

HanlP分詞1.png

HanLp分詞2.png

可見，pyhanlp 分詞結(jié)果是帶有詞性的。

服務(wù)器模式

通過 hanlp serve 來啟動(dòng)內(nèi)置的 HTTP 服務(wù)器，默認(rèn)本地訪問地址為： http://localhost:8765 。

Hanlp分詞3.png

enter image description here

也可以訪問官網(wǎng)演示頁面： http://hanlp.hankcs.com/ 。

通過工具類 HanLP 調(diào)用常用接口

通過工具類 HanLP 調(diào)用常用接口，這種方式應(yīng)該是我們?cè)陧?xiàng)目中最常用的方式。

（1）分詞

    from pyhanlp import *
    content = "現(xiàn)如今，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)帶動(dòng)人工智能飛速的發(fā)展，并在圖片處理、語音識(shí)別領(lǐng)域取得巨大成功。"
    print(HanLP.segment(content))

結(jié)果為：

[現(xiàn)如今/t, ，/w, 機(jī)器學(xué)習(xí)/gi, 和/cc, 深度/n, 學(xué)習(xí)/v, 帶動(dòng)/v, 人工智能/n, 飛速/d, 的/ude1, 發(fā)展/vn, ，/w, 并/cc, 在/p, 圖片/n, 處理/vn, 、/w, 語音/n, 識(shí)別/vn, 領(lǐng)域/n, 取得/v, 巨大/a, 成功/a, 。/w]

（2）自定義詞典分詞

在沒有使用自定義字典時(shí)的分詞。

    txt = "鐵甲網(wǎng)是中國(guó)最大的工程機(jī)械交易平臺(tái)。"
    print(HanLP.segment(txt))

結(jié)果為：

[鐵甲/n, 網(wǎng)/n, 是/vshi, 中國(guó)/ns, 最大/gm, 的/ude1, 工程/n, 機(jī)械/n, 交易/vn, 平臺(tái)/n, 。/w]

添加自定義新詞：

    CustomDictionary.add("鐵甲網(wǎng)")
    CustomDictionary.insert("工程機(jī)械", "nz 1024")
    CustomDictionary.add("交易平臺(tái)", "nz 1024 n 1")    print(HanLP.segment(txt))

結(jié)果為：

[鐵甲網(wǎng)/nz, 是/vshi, 中國(guó)/ns, 最大/gm, 的/ude1, 工程機(jī)械/nz, 交易平臺(tái)/nz, 。/w]

當(dāng)然了，jieba 和 pyhanlp 能做的事還有很多，關(guān)鍵詞提取、自動(dòng)摘要、依存句法分析、情感分析等，后面章節(jié)我們將會(huì)講到，這里不再贅述。

文章來源于米飯超人的博客