自然语言处理基础技术工具篇之Jieba

声明：转载请注明出处，谢谢：https://blog.csdn.net/m0_37306360/article/details/84849419
另外，更多实时更新的个人学习笔记分享，请关注：
知乎：https://www.zhihu.com/people/yuquanle/columns
公众号：StudyForAI

---

没想到坚持学习以及写作总结已经超过半个月了，谢谢大家的关注、点赞、收藏~~

前面谈了nlp的基础技术，我始终觉得，入门学习一件事情最好的方式就是实践，加之现在python如此好用，有越来越多的不错nlp的python库，所以接下来的一段时间里，让我们一起来感受一下这些不错的工具。
（代码我均使用jupyter编辑）~~

先来罗列一波：jieba、hanlp、snownlp、Stanfordcorenlp、spacy、pyltp、nltk、Textblob等等…今天从jieba开始吧，let’s begin~~

希望能继续得到大家的指点、关注、点赞以及收藏哈哈哈

Jieba简介

“结巴”中文分词，做最好的 Python 中文分词组件。主要功能包括分词、词性标注、关键词抽取等。

Github地址：https://github.com/fxsjy/jieba

Jieba工具Demo

安装：pip install jieba

---

1.分词

支持三种分词模式（默认是精确模式）：

精确模式，试图将句子最精确地切开，适合文本分析；

全模式，把句子中所有的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；

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。

import jieba
segfull_list = jieba.cut("我爱自然语言处理技术！", cut_all=True)
print("Full Mode: " + " ".join(segfull_list))  # 全模式

segdef_list = jieba.cut("我爱自然语言处理技术!", cut_all=False)
print("Default Mode: " + "  ".join(segdef_list))  # 精确模式

seg_search_list = jieba.cut_for_search("我爱自然语言处理技术!")  # 搜索引擎模式
print("Search Mode:" + " ".join(seg_search_list))
Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\yuquanle\AppData\Local\Temp\jieba.cache
Loading model cost 0.830 seconds.
Prefix dict has been built succesfully.


Full Mode: 我 爱 自然 自然语言 语言 处理 技术  
Default Mode: 我  爱  自然语言  处理  技术  !
Search Mode:我 爱 自然 语言 自然语言 处理 技术 !

---

2.基于TF-IDF算法关键词抽取

参数：

sentence：待分析文本；

topK：返回几个 TF/IDF 权重最大的关键词，默认值为 20

withWeight：是否一并返回关键词权重值，默认值为 False

allowPOS：仅包括指定词性的词，默认值为空，即不筛选

import jieba.analyse
sentence = "我爱自然语言处理技术!"
tags = jieba.analyse.extract_tags(sentence, withWeight=True, topK=2, allowPOS=())
print(tags)
[('自然语言', 3.4783139164), ('处理', 1.8036185524533332)]

---

3.基于 TextRank 算法的关键词抽取

参数：

allowPOS：默认过滤词性

jieba.analyse.textrank(sentence, topK=1, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

['技术']

---

4.词性标注

import jieba.posseg as pseg
sentence = "我爱自然语言处理！"
words = pseg.cut(sentence)
for word, flag in words:    
    print('%s %s' % (word, flag))

我 r
爱 v
自然语言 l
处理 v
！ x

---

5.分词（tokenize）

result = jieba.tokenize(u'我爱自然语言处理')
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 我       start: 0        end:1
word 爱       start: 1        end:2
word 自然语言        start: 2        end:6
word 处理      start: 6        end:8

另外，代码我已经上传github：https://github.com/yuquanle/StudyForNLP/blob/master/NLPtools/JiebaDemo.ipynb