阅读动机
jieba分词是Python 里面几个比较流行的中文分词工具之一。为了理解分词工具的工作原理，以及实现细节对jieba进行了详细的阅读。
读代码之前，我有几个问题是这样的：
- 分词工具的实现都有哪几个步骤?
- 结巴分词的文档说是使用了HMM模型，但是HMM 模型是如何运用在分词工具中的？，以及模型是如何产生的？
- 几乎所有的分词工具都支持用户添加词库，但是用户词库到底在分词过程中扮演什么角色？
简介
jieba 分词支持三种分词模式，官方文档给出了如下的Example
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("Default 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(", ".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(", ".join(seg_list))
考虑到文章篇幅的限制，我会详细解读默认模式也就是jieba.cut方法的所有实现。
阅读过程中会涉及一些算法原理，本文不做详细解释。
宏观逻辑
上面面的流程图很粗糙，但是很好的说明了大概的步骤。
首先使用概率无向图，获得最大概率路径.概率无向图的构建完全依赖于字典，最大概率路径求解也是依赖字典中的词频。
最后使用HMM模型来解决未登录词(Out Of Vocabulary) ，所以在整个过程如果没有模型也是可以的，只要你有一个很好的词典。最大概率路径的求解还有很多方法，记得 HanLP的求解就有实现最短路径。
粗分
首先会使用正则将文本切分，正则什么样？就跟现则的是默认模式还是全模式。正则如下：
re_han_default = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._]+)", re.U)
re_han_cut_all = re.compile("([\u4E00-\u9FD5]+)", re.U)
到底有什么区别：
我写了个测试：
test_str = u'我在重庆abc,他也在重庆? 1234你在重庆吗'
print (re_han_default.split(test_str))
print (re_han_cut_all.split(test_str))
输出：
['', '我在重庆abc', ',', '他也在重庆', '? ', '1234你在重庆吗', '']
['', '我在重庆', 'abc,', '他也在重庆', '? 1234', '你在重庆吗', '']
上面输出的list 里面每一个被成为block。
细分
对粗分产生的blok ‘abc’这样的不能被re.han匹配的会直接作为结果反回。对于和中文连在一起的会进入下一个阶段细分。
DAG构建
细分的第一步是构建
DAG 即有向无环图。构建的核心代码如下:
def get_DAG(self, sentence):
self.check_initialized() # 初始化，加载词典
DAG = {}
N = len(sentence)
for k in xrange(N):
tmplist = []
i = k
frag = sentence[k]
while i < N and frag in self.FREQ:
if self.FREQ[frag]:
tmplist.append(i)
i += 1
frag = sentence[k:i + 1]
if not tmplist:
tmplist.append(k)
DAG[k] = tmplist
return DAG
怎么个意思呢：
举个例子
我来到北京清华大学
产生的DAG 结果如下：
{0: [0], 1: [1, 2], 2: [2], 3: [3, 4], 4: [4], 5: [5, 6, 8], 6: [6, 7], 7: [7, 8], 8: [8]}
使用dict 来存储图数据结构。字典中的key 是没个字对应句子的index,后面的value 是一个list就是可达的路径。比如{1：[1,2]}意思就是“来”和“来到”这两个词在词典中存在。其他的类推。
图的产生依赖于self.FREQ这个变量，这是存储字典的，其结构是词做key ,词出现次数做value 的dict. 所以词典的好坏对分词结果会有很大的影响。如果根本不存在的路径给连上了，应该连上的没有连上。后面的HMM模型也是没办法解决的后者，当然最大概率路径会解决部分第一个问题，但是都是有限的。所以词典是相当关键的。
最大概率路径求解
有了上面的DAG 下面求是求解最大概率路径。这个问题有很多中方法，jieba 使用的是动态规划。先不解释动态规划是什么，直接看代码，
def calc(self, sentence, DAG, route):
N = len(sentence)
route[N] = (0, 0)
logtotal = log(self.total)
for idx in xrange(N - 1, -1, -1):
route[idx] = max((log(self.FREQ.get(sentence[idx:x + 1]) or 1) -
logtotal + route[x + 1][0], x) for x in DAG[idx])
真个过程就上面几行。关键就在max 那一句。这个问题不在这里展开。但是有个小的技巧说下：在对很小的数据进行操作的时候，Python 也是可能向下溢出的，什么意思看下面的例子：
b = 0.0000001
print b**100
结果会打印0.0 所有有个方法就是取log 。这个方法在很多地方都是有用的。
上面还用到了连个tuple比较这一技巧。
求解的结果如果分词时候参数设置的不适用HMM模型，到这里就结束了。求解结果部分如下：key 同样是对应的index.第二个就代表的是来到这个词。
{0: (-32.587853155857076, 0), 1: (-27.379629658355885, 2),}
未登录词
上面的最大概率在一定程度上解决了歧义问题，但是在分词里面还有另外一个问题未登录词问题也叫OOV(Out Of Vocabulary).
jieba 使用HMM来识别未登录词。
比如: “我来到誉存科技” 这句话，产生的最大概率路径是
{0: (-42.29693140266269, 0), 1: (-37.0887079051615, 2), 2: (-33.93639839927486, 2), 3: (-28.257272562332492, 3), 4: (-17.872975353951055, 4), 5: (-8.250710549196151, 6), 6: (-10.881580216048834, 6), 7: (0, 0)}
看到3,和4 都是独立的词，如果不使用HMM 这个词就会被分成两个字。其逻辑就是把多个连续的单字组合成新的blok 使用HMM来切分。HMM到底怎么切分呢？
HMM
HMM 隐马模型的定义自己可以去查，就算查完你也不一定能说清楚到底在分词的时候怎么使用的，但是不查绝对不知道。
在分词之前语料会被标注，标注的方式有很多中。其中比较多的是BMES对应的是B(begin)词的开头,M(Middle)词的中间,E(End)词的结束,S(Single)单个的词
HMM有几个概念，和分词这个具体问题的对应关系如下：
- 状态序列(state sequence)：BMES 这些状态
- 观测序列(observation sequence)：就是看到的需要分词的句子，所有的字组成一个序列。
现在的问题就是一直观测序列求状态序列。但是第一部我们需要建立HMM模型。
HMM 有三个基本组成：
初始概率状态概率分布A
状态转移矩阵pi
观测概率分布B
如果有了上面三个元素一个HMM模型就是定好了。当然还有HMM模型有很多假设，此处省略。
jieba 是如何得到这三个变量的了。这就是HMM的学习问题 了。在标注好的语料之上。可以使用极大似然估计来估计这三个参数。这里也看到，语料是关键因素，语料的质量决定这三个参数。其实估计的过程不管其中的原理就是一些统计计算。jieba 把这三个元素分别存贮在三个py文件中：
prob_start.py: 初始状态概率
prob_trans.py： 状态转移
prob_emit.py： 观测概率分布
看看 prob_start:
P={'B': -0.26268660809250016,
'E': -3.14e+100,
'M': -3.14e+100,
'S': -1.4652633398537678}
-3.14e+100表示的是无穷小。意思就是第一个字不可能是E，或者M.只可能是B,S具体是多少，使用语料中的频率做估计。
另外两个元素用类似的方法在语料之上很容易得到。
有了上面的饮马模型，但是如何通过观测序列求最有可能的状态序列?这时候就到Viterbi algorithm出场了。具体也不展开，反正很简单。
可访问正午的博客查看更多内容