jieba分词的基本用法和词性标注 |
您所在的位置:网站首页 › 溜溜是什么词性的词语 › jieba分词的基本用法和词性标注 |
jieba分词的基本用法和词性标注
一、jieba 分词基本概述二、添加自定义词典3、关键词提取四、词性标注 *五、并行分词六、Tokenize:返回词语在原文的起始位置
jieba分词的基本用法和词性标注
一、jieba 分词基本概述
它号称“做最好的Python中文分词组件”的jieba分词是python语言的一个中文分词包。 它有如下三种模式:
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。 支持繁体分词 支持自定义词典,接下来看一个小 demo 如下:
import jieba
seg_list = jieba.cut('我来到北京清华大学',cut_all=True)
print('Full Mode:', '/ '.join(seg_list)) # 全模式
seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
print ("\nDefault Mode:", "/ ".join(seg_list)) #精确模式
seg_list = jieba.cut("他来到了网易杭研大厦") #默认是精确模式
print ('\n新词识别:(如,杭研)',", ".join(seg_list))
seg_list = 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") #搜索引擎模式
print ("\n搜索引擎模式:",", ".join(seg_list))
Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
Default Mode: 我/ 来到/ 北京/ 清华大学
新词识别:(如,杭研) 他, 来到, 了, 网易, 杭研, 大厦
搜索引擎模式: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ,, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
二、添加自定义词典
1、开发者可以指定自己自定义的词典,以便包含jieba词库里没有的词。虽然jieba有新词识别能力,但是自行添加新词可以保证更高的正确率。 2、用法:jieba.load_userdict(file_name) # file_name为自定义词典的路径 3、词典格式和dict.txt一样,一个词占一行;每一行分三部分,一部分为词语,另一部分为词频,最后为词性(可省略),用空格隔开 4、范例: 之前: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 / 加载自定义词库后: 李小福 / 是 / (创新办) / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 / 可以参见jieba 官方提供的自定义词典,以及程序:https://github.com/fxsjy/jieba/blob/master/test/userdict.txt 用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py 5、故可以 “通过用户自定义词典来增强歧义纠错能力” 3、关键词提取1、首先,通过如下代码导入下面的库 import jieba.analyse其次:便可以使用, jieba.analyse.extract_tags(sentence,topK) 其中,sentence 为待提取的文本topK 为返回的几个 TF/IDF 权重最大的关键词,默认值为20代码可以参见: https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py 四、词性标注 * 标注句子分词后每个词的词性,采用和ictclas兼容的标记法用法示例: >>> import jieba.posseg as pseg >>> words =pseg.cut("我爱北京天安门") >>> for w in words: ... print w.word,w.flag ... 输出如下 : 我 r 爱 v 北京 ns 天安门 ns 五、并行分词 原理:将目标文本按行分隔后,把各行文本分配到多个python进程并行分词,然后归并结果,从而获得分词速度的可观提升 基于python自带的multiprocessing模块, 用法: jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数jieba.disable_parallel() # 关闭并行分词模式例子,参见如下: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py 六、Tokenize:返回词语在原文的起始位置 注意,输入参数只接受unicode 默认模式 result = jieba.tokenize(u'永和服装饰品有限公司') for tk in result: print ("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10 搜索模式 result = jieba.tokenize(u'永和服装饰品有限公司',mode='search') for tk in result: print ("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限 start: 6 end:8 word 公司 start: 8 end:10 word 有限公司 start: 6 end:10 这里附上词性标注表,如下:名词 (1个一类,7个二类,5个三类) 名词分为以下子类: n 名词nr 人名nr1 汉语姓氏nr2 汉语名字nrj 日语人名nrf 音译人名ns 地名nsf 音译地名nt 机构团体名nz 其它专名nl 名词性惯用语ng 名词性语素时间词(1个一类,1个二类) t 时间词tg 时间词性语素处所词(1个一类) s 处所词方位词(1个一类) f 方位词动词(1个一类,9个二类) v 动词vd 副动词vn 名动词vshi 动词“是”vyou 动词“有”vf 趋向动词vx 形式动词vi 不及物动词(内动词)vl 动词性惯用语vg 动词性语素形容词(1个一类,4个二类) a 形容词ad 副形词an 名形词ag 形容词性语素al 形容词性惯用语区别词(1个一类,2个二类) b 区别词bl 区别词性惯用语状态词(1个一类) z 状态词代词(1个一类,4个二类,6个三类) r 代词rr 人称代词rz 指示代词rzt 时间指示代词rzs 处所指示代词rzv 谓词性指示代词ry 疑问代词ryt 时间疑问代词rys 处所疑问代词ryv 谓词性疑问代词rg 代词性语素数词(1个一类,1个二类) m 数词mq 数量词量词(1个一类,2个二类) q 量词qv 动量词qt 时量词副词(1个一类) d 副词介词(1个一类,2个二类) p 介词pba 介词“把”pbei 介词“被”连词(1个一类,1个二类) c 连词cc 并列连词助词(1个一类,15个二类) u 助词uzhe 着ule 了 喽uguo 过ude1 的 底ude2 地ude3 得usuo 所udeng 等 等等 云云uyy 一样 一般 似的 般udh 的话uls 来讲 来说 而言 说来uzhi 之ulian 连 (“连小学生都会”)叹词(1个一类) e 叹词语气词(1个一类) y 语气词(delete yg)拟声词(1个一类) o 拟声词前缀(1个一类) h 前缀后缀(1个一类) k 后缀字符串(1个一类,2个二类) x 字符串xx 非语素字xu 网址URL标点符号(1个一类,16个二类) w 标点符号wkz 左括号,全角:( 〔 [ { 《 【 〖 〈 半角:( [ { wyz 左引号,全角:“ ‘ 『wyy 右引号,全角:” ’ 』wj 句号,全角:。ww 问号,全角:? 半角:?wt 叹号,全角:! 半角:!wd 逗号,全角:, 半角:,wf 分号,全角:; 半角: ; wn 顿号,全角:、wm 冒号,全角:: 半角: :ws 省略号,全角:…… …wp 破折号,全角:—— -- ——- 半角:— wb 百分号千分号,全角:% ‰ 半角:%wh 单位符号,全角:¥ $ £ ° ℃ 半角 $转载自: https://blog.csdn.net/li_31415/article/details/48660073 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |