自然语言处理之中文-jieba

      自然处理NLP 应用涉及知识图谱，机器翻译，语音识别，聊天机器人等等等，但是涉及NLP第一步并不是去学习使用所谓的RNN,LSTM去进行建模。而是最基础的文本处理。正如在机器学习中，我们的基本功是数据预处理，数据清洗等工作一样，自然语言处理的基本功就是文本处理。这篇博客会介绍中文分词jieba,后续会介绍NLTK(英文处理库），gensim(主题模型，word2vec），以及word2vec，隐马尔科夫链，LDA原理介绍和RNN,CNN原理及在自然语言处理中的简单应用。（python)

       jieba分词是开源的中文分词库，虽然效果不一定是最好的，但是使用的人比较多。

      github地址：https://github.com/whtsky/jieba/.

    本文将我们使用Jieba主要功能讲述了下，主要是jieba Github的搬运工，详情可以参考源码

        安装：pip install jieba / pip3 install jieba 直接安装即可

jieba主要功能:

一：对中文文档进行分词。

使用jieba.cut/jieba.lcut/jieba.cut_for_search

1. jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型
2. jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
3. 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
4. jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用
5. jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
6. jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

# encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  #cut返回的为迭代器，而jieba.lcut返回的为分词后的列表
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))

二：基于tf_idf或者textrank提取关键词  

基于 TF_IDF 算法的关键词抽取

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
  • sentence 为待提取的文本
  • topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
  • withWeight 为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
• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

基于 TextRank 算法的关键词抽取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。

           计算tf_idf值，这里使用的是内置的文档集，也可以自定义文档   jieba.analyse.set_idf_path(file_name)

三：词性标注：  

• jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer分词器。jieba.posseg.dt 为默认词性标注分词器。
• 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 word, flag in words:
...    print('%s %s' % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns

载入词典

• 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
• 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
• 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
• 词频省略时使用自动计算的能保证分出该词的词频。

调整词典

• 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

• 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

• 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。