代码收藏家技术教程 2024-12-07

Python 中 jieba 模块详解

文章目录

Python 中 jieba 模块详解

引言

安装 jieba

分词模式

使用分词

搜索引擎模式

自定义词典

添加自定义词典

调整词典

关键词提取

TF-IDF 关键词抽取

TextRank 关键词抽取

词性标注

获取词语位置

关键词提取

TF-IDF 关键词抽取

示例代码：

TextRank 关键词抽取

示例代码：

性能对比

示例性能对比代码：

常见问题解答

分词不准确

编码问题

如何处理歧义词

总结

参考文献

Python 中 jieba 模块详解

引言

在中文自然语言处理（NLP）中，分词是基本而关键的步骤。由于中文没有空格，分词可以帮助我们更好地理解和处理文本。jieba 是一个流行的中文分词工具，功能强大且易于使用。

安装 jieba

首先，确保安装了 jieba 模块，可以使用以下命令：

pip install jieba

分词模式

jieba 模块支持三种分词模式：

精确模式：将句子精确切分，适合文本分析。

全模式：扫描出句子中所有可能的词语，速度快，但无法消歧。

搜索引擎模式：在精确模式基础上，对长词再切分，以提高召回率。

使用分词

import jieba

text = "我来到北京清华大学"

# 全模式
full_mode = jieba.cut(text, cut_all=True)
print("全模式: " + "/ ".join(full_mode))

# 精确模式
exact_mode = jieba.cut(text, cut_all=False)
print("精确模式: " + "/ ".join(exact_mode))

# 默认模式（精确模式）
default_mode = jieba.cut("他来到了网易杭研大厦")
print("默认模式: " + "/ ".join(default_mode))

搜索引擎模式

使用 cut_for_search 方法，适合构建搜索引擎的倒排索引。

search_mode = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")
print(", ".join(search_mode))

自定义词典

添加自定义词典

jieba 允许用户添加自定义词典，以提高分词准确性。

jieba.load_userdict("userdict.txt")

用户字典的格式为：

词语 词频（可省略） 词性（可省略）

调整词典

添加词：使用 add_word(word, freq=None, tag=None) 方法添加词。

删除词：使用 del_word(word) 方法删除词。

调节词频：使用 suggest_freq(segment, tune=True) 方法调整词频，使特定词能（或不能）被分出来。

关键词提取

TF-IDF 关键词抽取

可以使用 extract_tags 方法基于 TF-IDF 算法提取关键词。

import jieba.analyse

text = "我爱自然语言处理，中文分词很有趣，中文处理需要很多工具。"
keywords = jieba.analyse.extract_tags(text, topK=5)
print("关键词:", keywords)

TextRank 关键词抽取

textrank 方法提供基于 TextRank 算法的关键词抽取。

keywords = jieba.analyse.textrank(text, topK=5)
print("关键词:", keywords)

词性标注

jieba 还支持词性标注功能，使用 posseg 模块可以标注每个词的词性。

import jieba.posseg as pseg

words = pseg.cut("我爱北京天安门")
for word, flag in words:
    print(f'{word}, {flag}')

获取词语位置

使用 tokenize 方法可以获取词语在原文中的起止位置。

result = jieba.tokenize("永和服装饰品有限公司")
for tk in result:
    print(f"word {tk[0]}\t\t start: {tk[1]}\t\t end: {tk[2]}")

关键词提取

TF-IDF 关键词抽取

TF-IDF（Term Frequency-Inverse Document Frequency）是一种用于信息检索和文本挖掘的常用加权技术。它通过计算一个词在文档中出现的频率（TF）与该词在所有文档中出现的稀有度（IDF）相结合，来评估一个词的重要性。

Term Frequency (TF)：某个词在文档中出现的次数与该文档总词数的比值。

Inverse Document Frequency (IDF)：表示词的重要性，计算公式为：[ IDF(w) = \log(\frac{N}{n(w)}) ]

( N )：文档总数

( n(w) )：包含词 ( w ) 的文档数

示例代码：

import jieba.analyse

text = "我爱自然语言处理，中文分词很有趣，中文处理需要很多工具。"
keywords = jieba.analyse.extract_tags(text, topK=5, withWeight=True)
for word, weight in keywords:
    print(f"关键词: {word}, 权重: {weight}")

TextRank 关键词抽取

TextRank 是一种无监督的图模型算法，常用于关键词提取和摘要生成。它基于词与词之间的关联，通过构建词图并计算节点之间的相似度来识别重要词汇。

示例代码：

text = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。"
keywords = jieba.analyse.textrank(text, topK=5, withWeight=True)
for word, weight in keywords:
    print(f"关键词: {word}, 权重: {weight}")

性能对比

在实际应用中，jieba 的不同分词模式对性能和准确率有显著影响。以下是对不同模式的对比分析：

模式	速度	准确率	应用场景
精确模式	中等	高	文本分析、内容提取
全模式	快	低	关键词提取、快速初步分析
搜索引擎模式	较慢	中等	搜索引擎的倒排索引

示例性能对比代码：

import time

text = "我来到北京清华大学"

# 精确模式
start = time.time()
jieba.cut(text, cut_all=False)
print("精确模式耗时: ", time.time() - start)

# 全模式
start = time.time()
jieba.cut(text, cut_all=True)
print("全模式耗时: ", time.time() - start)

# 搜索引擎模式
start = time.time()
jieba.cut_for_search(text)
print("搜索引擎模式耗时: ", time.time() - start)