[关闭]
@evilking 2018-04-30T16:36:15.000000Z 字数 12840 阅读 2785

NLP

结巴分词

本篇我们以 java 版本的结巴分词工具为例，详细分析该工具的分词细节；最后同样演示下 R 版本的jiebaR分词工具的用法和词云的绘制.

中文分词问题

什么是中文分词

在文本挖掘，情感分析，上下文语义分析等应用场合需要对纯文本进行分析，主要是对语句进行分析；像英文这种语句本身词与词之间有空格隔开，这种语句就容易分割，但是像中文或日文这种词与词之间没有分割界限的语言，在分割单词上就存在很大的困难；

像中文单词分割的时候如果分割的不准确，就很容易得出歧义的语句，甚至是意思完全相反的，比如”不同意”分割成”不”/”同意”。

中文分词常用的方法

基于字符匹配的分词

这类分词方法主要是词典匹配，用于切分出已登录词，如果只使用词典的话，就对未登录词无能为力了；后来人们就在此基础上加入统计方法，比如 HMM 模型，用来识别出未登录词；最后用动态规划求分词序列的最大概率，即最有可能的分词组合。

本篇要讲的结巴分词就属于这类。

基于字符标注的统计分析分词

例如，”小明硕士毕业于中国科学院计算所”，最正确的分词应该分成”小明 / 硕士 / 毕业 / 于 / 中国 / 科学院 / 计算所”，这是人工分词的结果，但是对于计算机来说，可能会把”计算所”分成”计算 / 所”。

为了使用字符标注的方式来分词，我们定义了四种标签：

于是上面的例句最正确的标注应该为 BEBEBESBEBMEBME，有了这样的字符标注序列，我们就能够将语句分开，分割的结果为”BE / BE / BE / S / BE / BME / BME”，所以我们的问题就变成了 已知观测语句、字符标注标签，要求用字符标注标签对观测语句标注后的序列。如果了解隐马尔科夫过程的话，就能知道这是一个典型的HMM模型解码的问题。

基于字符标注的统计分析分词方法，像 HMM 模型、CRF 模型 等都是属于这类。

HMM 模型在《HMM 模型》这篇中详细讲了；CRF 模型分词其本质上是将分词问题转换为标注问题，其训练和标注都在 《CRF 条件随机场》一篇中详细讲了。读者可以参考学习。

基于机器学习的分词

机器学习做分词，原理与统计分析方法类似，都是将分词问题转换成分类问题，比如把“小明是中国共产党的接班人”这句的每个汉字进行分类，分为“B”、“M”、“E”、“S”这四类，然后根据分类的结果序列进行切分。

JAVA版本结巴分词详解

工具下载

github下载地址： https://github.com/huaban/jieba-analysis

下载好后导入 eclipse，则maven工程目录结构如下图所示：

结巴分词目录结构

编写测试用例类 SegmenterTest，对句子进行分词，测试代码如下:

  1. @Test
  2. public void test() {
  3.     //初始化jieba分词工具类
  4.     JiebaSegmenter jieba = new JiebaSegmenter();
  6.     String content = "这里讲解的是java版本的结巴分词工具";
  8.     /**
  9.      * 对句子进行分词,
  10.      * 源码中有个方法是对整篇文章进行分词，其原理是先对文章进行分句，然后对每一句进行分词,
  11.      * 所以这里我们只考虑对一句话进行分词的过程
  12.      */
  13.     List<String> words = jieba.sentenceProcess(content);
  14.     for(String word: words){
  15.         System.out.print(word + "  ");
  16.     }
  17. }

运行后输出结果为:

  1. main dict load finished, time elapsed 1557 ms
  2. model load finished, time elapsed 47 ms.
  3. 这里  讲解  的  是  java  版本  的  结巴  分词  工具

可以看出分词效果还是不错的，下面我们以这句话的分词来分析结巴分词的分词过程.

结巴分词时序图

结巴分词时序图

从时序图中可知，在初始化 JiebaSegment类时，会去先初始化词典表，即WordDictionary类；然后开始分句，分句又分为三步，如下：

初始化词典表

在JiebaSegmenter类的初始化过程中，会初始化两个词典表，WordDictionary和FinalSeg：

  1. private static WordDictionary wordDict = WordDictionary.getInstance();
  3. private static FinalSeg finalSeg = FinalSeg.getInstance();

首先看看WordDictionary的初始化，这里使用了双重检查锁定的单例模式（保证在多线程环境下也只会初始化一次），在构造方法中执行 loadDict()方法去加载词典：

  1. _dict = new DictSegment((char) 0);
  2. InputStream is = this.getClass().getResourceAsStream(MAIN_DICT);
  4.  ......
  6. BufferedReader br = new BufferedReader(new InputStreamReader(is, Charset.forName("UTF-8")));
  8. long s = System.currentTimeMillis();
  9. while (br.ready()) {
  10.     //读取词典文件中的一行
  11.     String line = br.readLine();
  12.     String[] tokens = line.split("[\t ]+");
  14.     //跳过空行
  15.     if (tokens.length < 2)
  16.         continue;
  18.     String word = tokens[0];
  19.     //计算词数
  20.     double freq = Double.valueOf(tokens[1]);
  21.     total += freq;
  22.     word = addWord(word);
  23.     freqs.put(word, freq);
  24. }
  25. // normalize
  26. for (Entry<String, Double> entry : freqs.entrySet()) {
  27.     //将单词的词数转换为词频
  28.     entry.setValue((Math.log(entry.getValue() / total)));
  29.     minFreq = Math.min(entry.getValue(), minFreq);
  30. }
  31. ......

其中 addWord(String word)方法如下:

  1. private String addWord(String word) {
  2.     if (null != word && !"".equals(word.trim())) {
  3.         //将单词转行小写
  4.         String key = word.trim().toLowerCase(Locale.getDefault());
  5.         //将单词添加到词典
  6.         _dict.fillSegment(key.toCharArray());
  7.         return key;
  8.     }
  9.     else
  10.         return null;
  11. }

上面loadDict()方法是加载工具基础词典，如果是用户自定义词典，需要使用loadUserDict()方法，与上面的加载方法不同的是，如果用户没有设置单词的统计词数，则默认设置为 3 :

  1. String line = br.readLine();
  2. String[] tokens = line.split("[\t ]+");
  4. if (tokens.length < 1) {
  5.     // Ignore empty line
  6.     continue;
  7. }
  9. String word = tokens[0];
  10. //默认词数为 3
  11. double freq = 3.0d;
  12. if (tokens.length == 2)
  13.     freq = Double.valueOf(tokens[1]);
  15. word = addWord(word); 
  16. freqs.put(word, Math.log(freq / total));

从代码可以看出，加载词典，无非就是读取词典表，用分隔符截取每一行，获得对应的单词，以及单词的统计词数，如果没有设置统计词数，默认为 3；同时在单词添加到_dict词典数据结构中时，都统一转换成了小写.

然后看 FinalSeg 类的初始化，该类初始化也是使用了双重检查锁定来处理多线程环境下的单例，初始化时会调用loadModel()方法来加载 HMM模型，即HMM模型的五个组成元素 :

  1. private static char[] states = new char[] { 'B', 'M', 'E', 'S' };

由于是中文分词，所以隐状态定义为 B,M,E,S；

  1. prevStatus = new HashMap<Character, char[]>();
  2. prevStatus.put('B', new char[] { 'E', 'S' });
  3. prevStatus.put('M', new char[] { 'M', 'B' });
  4. prevStatus.put('S', new char[] { 'S', 'E' });
  5. prevStatus.put('E', new char[] { 'B', 'M' });
  8. trans = new HashMap<Character, Map<Character, Double>>();
  9. Map<Character, Double> transB = new HashMap<Character, Double>();
  10. transB.put('E', -0.510825623765990);
  11. transB.put('M', -0.916290731874155);
  12. trans.put('B', transB);
  13. Map<Character, Double> transE = new HashMap<Character, Double>();
  14. transE.put('B', -0.5897149736854513);
  15. transE.put('S', -0.8085250474669937);
  16. trans.put('E', transE);
  17. Map<Character, Double> transM = new HashMap<Character, Double>();
  18. transM.put('E', -0.33344856811948514);
  19. transM.put('M', -1.2603623820268226);
  20. trans.put('M', transM);
  21. Map<Character, Double> transS = new HashMap<Character, Double>();
  22. transS.put('B', -0.7211965654669841);
  23. transS.put('S', -0.6658631448798212);
  24. trans.put('S', transS);

然后定义状态转移概率矩阵，这里定义的概率都是经过对数转换的，以方便计算时将乘法操作改为加法操作，下同；

  1. start = new HashMap<Character, Double>();
  2. start.put('B', -0.26268660809250016);
  3. start.put('E', -3.14e+100);
  4. start.put('M', -3.14e+100);
  5. start.put('S', -1.4652633398537678);

这里是定义了初始状态概率；

下面给出结巴分词工具的发射矩阵资源文件格式:

  1. M
  2. 耀   -8.47651676173
  3. 蘄   -14.3722960587
  4. 涉   -10.5600933886
  5. B
  6. 耀   -10.4602834131
  7. 蘄   -11.0155137948
  8. 涉   -8.76640550684
  9. M
  10. 耀   -8.47651676173
  11. 蘄   -14.3722960587
  12. 涉   -10.5600933886
  13. E
  14. 耀   -9.2667057128
  15. 蘄   -17.3344819086
  16. 涉   -9.09647365936

举个例子，隐状态为'M'时对应的汉字为'耀'的概率的对数为 -8.47651676173，即为发射概率，其中表中所有的汉字被定义为观察值

  1. InputStream is = this.getClass().getResourceAsStream(PROB_EMIT);
  3. BufferedReader br = new BufferedReader(new InputStreamReader(is, Charset.forName("UTF-8")));
  4. emit = new HashMap<Character, Map<Character, Double>>();
  5. Map<Character, Double> values = null;
  6. while (br.ready()) {
  7.     String line = br.readLine();
  8.     String[] tokens = line.split("\t");
  9.     if (tokens.length == 1) {
  10.         //读取为标号,B M S E
  11.         values = new HashMap<Character, Double>();
  12.         //设置发射概率矩阵
  13.         emit.put(tokens[0].charAt(0), values);
  14.     }else {
  15.         //添加值
  16.         values.put(tokens[0].charAt(0), Double.valueOf(tokens[1]));
  17.     }
  18. }

如此，发射概率矩阵就加载完成了，到这里整个 HMM模型的几个要素就都加载完成了，剩下的就是具体分词时的解码问题了.

构建DAG图

分词的第一步是构建词的DAG图，例如上面测试用例中的句子，DAG图如下所示: 

  1. 0   [0, 1]              //这
  2. 1   [1]                 //里
  3. 2   [2, 3]              //讲
  4. 3   [3]                 //解
  5. 4   [4]                 //的
  6. 5   [5]                 //是
  7. 6   [6]                 //j
  8. 7   [7]                 //a
  9. 8   [8]                 //v
  10. 9   [9]                 //a
  11. 10  [10, 11]            //版
  12. 11  [11]                //本
  13. 12  [12]                //的
  14. 13  [13, 14]            //结
  15. 14  [14]                //巴
  16. 15  [15, 16]            //分
  17. 16  [16]                //词
  18. 17  [17, 18]            //工
  19. 18  [18]                //具

具体是如何算的呢，我们分析createDAG()方法:

  1. private Map<Integer, List<Integer>> createDAG(String sentence) {
  2.     Map<Integer, List<Integer>> dag = new HashMap<Integer, List<Integer>>();
  3.     //获得词典树
  4.     DictSegment trie = wordDict.getTrie();
  5.     char[] chars = sentence.toCharArray();
  6.     int N = chars.length;
  7.     int i = 0, j = 0;
  8.     while (i < N) {
  9.         //核心的就是下面这几句，不断的增加字扩展词，去词典中查找
  10.         //如果是一个词的前缀，则可以继续往后扩展词
  11.         //如果匹配到了一个词，则将索引添加到DAG图中
  12.         Hit hit = trie.match(chars, i, j - i + 1);
  13.         if (hit.isPrefix() || hit.isMatch()) {
  14.             if (hit.isMatch()) {
  15.                 if (!dag.containsKey(i)) {
  16.                     List<Integer> value = new ArrayList<Integer>();
  17.                     dag.put(i, value);
  18.                     value.add(j);
  19.                 }
  20.                 else
  21.                     dag.get(i).add(j);
  22.             }
  23.             j += 1;
  24.             if (j >= N) {
  25.                 i += 1;
  26.                 j = i;
  27.             }
  28.         }
  29.         else {
  30.             i += 1;
  31.             j = i;
  32.         }
  33.     }
  34.     //最后将没有与其他字构成词的字加上
  35.     for (i = 0; i < N; ++i) {
  36.         if (!dag.containsKey(i)) {
  37.             List<Integer> value = new ArrayList<Integer>();
  38.             value.add(i);
  39.             dag.put(i, value);
  40.         }
  41.     }
  42.     return dag;
  43. }

举例说明，假设当前词为'版'，去词典里查，发现'版'字是某个单词的前缀词；则往后添加下个字，构成词'版本'，然后去词典里查，发现能匹配上'版本'，于是就将'本'字的索引添加到'版'所对应的索引列表中；然后继续往后添加一个字，构成'版本的'，这时查询词典，发现该词既不是前缀词，也无法匹配到单词，则最开始的索引往后移一位，当前词就变成了'本'，然后从'本'开始继续往下搜索，直到结束.

动态规划求解最可能的分词序列

构建完DAG图后，我们要分词，就要判断具体如何划分才最好，这里我们使用了动态规划，使整句划分的概率最大.

  1. private Map<Integer, Pair<Integer>> calc(String sentence, Map<Integer, List<Integer>> dag) {
  2.     int N = sentence.length();
  3.     HashMap<Integer, Pair<Integer>> route = new HashMap<Integer, Pair<Integer>>();
  5.     //动态规划从后往前，初始化最后一步的概率
  6.     route.put(N, new Pair<Integer>(0, 0.0));
  8.     for (int i = N - 1; i > -1; i--) {
  9.         Pair<Integer> candidate = null;
  10.         for (Integer x : dag.get(i)) {
  11.             //从后往前组合，获得词的频率
  12.             double freq = wordDict.getFreq(sentence.substring(i, x + 1)) + route.get(x + 1).freq;
  13.             if (null == candidate) {
  14.                 candidate = new Pair<Integer>(x, freq);
  15.             }else if (candidate.freq < freq) {
  16.                 //取累计频率最大的划分
  17.                 candidate.freq = freq;
  18.                 candidate.key = x;
  19.             }
  20.         }
  21.         route.put(i, candidate);
  22.     }
  23.     return route;
  24. }

动态规划是从最后一个字符开始往前逐个累加，取局部累计词频最大的分词结果，最终取使整句分词结果的累计词频达到最大.

新词发现

经过上一步动态规划求最可能的分词结果，有了一个粗略的分词，需要在此基础上进一步的去准确分词，包括新词发现 :

  1. while (x < N) {
  2.     y = route.get(x).key + 1;
  3.     String lWord = sentence.substring(x, y);
  4.     if (y - x == 1)
  5.         sb.append(lWord);
  6.     else {
  7.         if (sb.length() > 0) {
  8.             buf = sb.toString();
  9.             sb = new StringBuilder();
  10.             //一个字的可以直接添加
  11.             if (buf.length() == 1) {
  12.                 tokens.add(buf);
  13.             }else {
  14.                 //多个字的先去词典中查询
  15.                 //如果是已登录词就直接添加
  16.                 if (wordDict.containsWord(buf)) {
  17.                     tokens.add(buf);
  18.                 } else {
  19.                     //未登录词就用Viterbi算法解码
  20.                     finalSeg.cut(buf, tokens);
  21.                 }
  22.             }
  23.         }
  24.         tokens.add(lWord);
  25.     }
  26.     x = y;
  27. }

下面就是HMM模型中 Viterbi算法解码过程 :

  1. public void viterbi(String sentence, List<String> tokens) {
  2.     Vector<Map<Character, Double>> v = new Vector<Map<Character, Double>>();
  3.     Map<Character, Node> path = new HashMap<Character, Node>();
  5.     //处理第一个隐状态
  6.     v.add(new HashMap<Character, Double>());
  7.     for (char state : states) {
  8.         Double emP = emit.get(state).get(sentence.charAt(0));
  9.         if (null == emP)
  10.             emP = MIN_FLOAT;
  11.         v.get(0).put(state, start.get(state) + emP);
  12.         path.put(state, new Node(state, null));
  13.     }
  15.     for (int i = 1; i < sentence.length(); ++i) {
  16.         Map<Character, Double> vv = new HashMap<Character, Double>();
  17.         v.add(vv);
  18.         Map<Character, Node> newPath = new HashMap<Character, Node>();
  19.         for (char y : states) {
  20.             Double emp = emit.get(y).get(sentence.charAt(i));
  21.             if (emp == null)
  22.                 emp = MIN_FLOAT;
  23.             Pair<Character> candidate = null;
  24.             for (char y0 : prevStatus.get(y)) {
  25.                 //从状态y0 转移到状态 y
  26.                 Double tranp = trans.get(y0).get(y);
  27.                 if (null == tranp)
  28.                     tranp = MIN_FLOAT;
  29.                 //y0状态的前向变量 + y0转移到y状态的转移概率 + y状态下是字i的发射概率
  30.                 tranp += (emp + v.get(i - 1).get(y0));
  31.                 if (null == candidate)
  32.                     candidate = new Pair<Character>(y0, tranp);
  33.                 else if (candidate.freq <= tranp) {
  34.                     candidate.freq = tranp;
  35.                     candidate.key = y0;
  36.                 }
  37.             }
  38.             vv.put(y, candidate.freq);
  39.             newPath.put(y, new Node(y, path.get(candidate.key)));
  40.         }
  41.         path = newPath;
  42.     }
  43.     //因为'B'、'M'不可能构成最后一个字，所以只需要比较'E'、'S'就行
  44.     double probE = v.get(sentence.length() - 1).get('E');
  45.     double probS = v.get(sentence.length() - 1).get('S');
  46.     Vector<Character> posList = new Vector<Character>(sentence.length());
  47.     Node win;
  48.     if (probE < probS)
  49.         win = path.get('S');
  50.     else
  51.         win = path.get('E');
  53.     while (win != null) {
  54.         posList.add(win.value);
  55.         win = win.parent;
  56.     }
  57.     Collections.reverse(posList);
  59.     //路径回溯，得到最优的隐状态序列
  60.     int begin = 0, next = 0;
  61.     for (int i = 0; i < sentence.length(); ++i) {
  62.         char pos = posList.get(i);
  63.         if (pos == 'B')
  64.             begin = i;
  65.         else if (pos == 'E') {
  66.             tokens.add(sentence.substring(begin, i + 1));
  67.             next = i + 1;
  68.         }else if (pos == 'S') {
  69.             tokens.add(sentence.substring(i, i + 1));
  70.             next = i + 1;
  71.         }
  72.     }
  73.     if (next < sentence.length())
  74.         tokens.add(sentence.substring(next));
  75. }

以上就是 HMM模型中 Viterbi解码过程，具体原理可参考上篇 《基于HMM的中文分词》.

到这里，java版本的结巴分词工具对每一句的分词过程就清楚了；这个工具结合词典和概率，并使用HMM模型做新词发现，总体分词结果来看，效果还可以.

R 版本的结巴分词

由于笔者没有找到 R版本的结巴分词工具包"jiebaR"的源码，所以上面使用java版本的源码来分析处理流程，下面我们使用"jiebaR"包来做简单的分词，以及用"wordcloud"包做词云分析，以演示 R 版本的结巴分词工具的使用.

作为演示用的文本如下所示，保存在data.txt文件中，并放在Rstudio的工作目录下，工作目录可通过getwd()命令获得:

  1. 笔者在实际项目中使用的是 java 版本的结巴分词，它是词典+HMM模型的分词工具，源码中对 HMM的Viterbi算法演示的很清楚，不过这里为了与整体风格相统一，我们使用 R语言的相关HMM包来演示；
  3. 后面我们单独用一个篇幅去讲解结巴分词，因为结巴分词工具总体上来说算是一个效果不错，而且原理简单的工具.

下面我们先导入必要的两个包，并读取文本:

  1. install.packages("jiebaR")
  2. library(jiebaR)
  4. install.packages("wordcloud")
  5. library(wordcloud)
  7. f <- scan("data.txt",sep = "\n",what = '',encoding = "UTF-8")
  8. head(f)

输出信息为:

  1. > f <- scan("data.txt",sep = "\n",what = '',encoding = "UTF-8")
  2. Read 2 items
  4. > head(f)
  5. [1] "笔者在实际项目中使用的是 java 版本的结巴分词，它是词典+HMM模型的分词工具，源码中对 HMM的Viterbi算法演示的很清楚，不过这里为了与整体风格相统一，我们使用 R语言的相关HMM包来演示；\n"
  6. [2] "后面我们单独用一个篇幅去讲解结巴分词，因为结巴分词工具总体上来说算是一个效果不错，而且原理简单的工具."                                                                       
  8. >

下面开始使用 jiebaR 去分词:

  1. #使用 qseg函数分词
  2. > seg <- qseg[f]
  4. #去掉单词为一个字的词
  5. > seg <- seg[nchar(seg) > 1]
  7. > head(seg)
  8. [1] "笔者" "实际" "项目" "使用" "java" "版本"
  9. > 
  1. #统计词频
  2. > seg <- table(seg)
  4. > seg
  5. seg
  6.     HMM    java Viterbi    版本    包来    笔者    不错    不过 
  7.       3       1       1       1       1       1       1       1 
  8.    词典    单独    而且    分词    风格    工具    后面    简单 
  9.       1       1       1       4       1       3       1       1 
  10.    讲解    结巴    来说    模型    篇幅    清楚    实际    使用 
  11.       1       3       1       1       1       1       1       2 
  12.    算法    算是    统一    为了    我们    相关    项目    效果 
  13.       1       1       1       1       2       1       1       1 
  14.    演示    一个    因为    语言    原理    源码    这里    整体 
  15.       2       2       1       1       1       1       1       1 
  16.    总体 
  17.       1 
  18. >
  20. # 对词频进行排序，并取前 30个词
  21. > seg <- sort(seg,decreasing = TRUE)[1:30]
  23. > seg
  24. seg
  25.    分词     HMM    工具    结巴    使用    我们    演示    一个 
  26.       4       3       3       3       2       2       2       2 
  27.    java Viterbi    版本    包来    笔者    不错    不过    词典 
  28.       1       1       1       1       1       1       1       1 
  29.    单独    而且    风格    后面    简单    讲解    来说    模型 
  30.       1       1       1       1       1       1       1       1 
  31.    篇幅    清楚    实际    算法    算是    统一 
  32.       1       1       1       1       1       1 
  33. >

文本经过分词，过滤掉一些无效词（停用词等）后，再进行词频统计并排序，取前 k个词（一般就是保留的关键词了）；下一步就是利用词云工具绘制词云了，以可视化的方式展现文本特征 :

  1. #生成一张 .bmp图，宽高个 500像素
  2. > bmp("comment_cloud.bmp",width = 500,height = 500)
  4. #绘图，背景设为黑色
  5. > par(bg = "black")
  7. # 生成词云
  8. > wordcloud(names(seg),seg,colors = rainbow(100),random.order = F)
  10. # 关闭绘图设备
  11. > dev.off()
  12. null device 
  13.           1 
  14. >

这样，在工作目录下就会生成一张.bmp图，如下所示:

词云

从图上可以看出，主要词有分词、HMM、结巴、工具，其中分词占的比重最大，其次是 HMM。这个结果与最开始的文本语料对比可以看出，效果还是不错的，主要的关键词都体现出来了.

接下来再玩点深入一点的，jiebaR包可以实现分词（分行分词）、整个文档分词（分文档分词）。library(jiebaR)加载包时，没有启动任何分词引擎，启动引擎很简单，就是一句赋值语句就可以了mixseg=worker()

详细版本请参考官方：https://jiebar.qinwf.com/section-3.html#section-3.0.1
但是实际上worker中有非常多的调节参数。

  1. mixseg = worker(type = "mix",dict = "dict/jieba.dict.utf8",
  2.                 hmm = "dict/hmm_model.utf8",
  3.                 user = "dict/user.dict.utf8",
  4.                 detect = T,symbol = F,
  5.                 lines = 1e+05,output = NULL)
  7. > mixseg
  8. Worker Type:  Jieba Segment
  10. Default Method  :  mix
  11. Detect Encoding :  TRUE
  12. Default Encoding:  UTF-8
  13. Keep Symbols    :  FALSE
  14. Output Path     :  
  15. Write File      :  TRUE
  16. By Lines        :  FALSE
  17. Max Word Length :  20
  18. Max Read Lines  :  1e+05
  20. Fixed Model Components:  
  22. $dict
  23. [1] "dict/jieba.dict.utf8"
  25. $user
  26. [1] "dict/user.dict.utf8"
  28. $hmm
  29. [1] "dict/hmm_model.utf8"
  31. $stop_word
  32. NULL
  34. $user_weight
  35. [1] "max"
  37. $timestamp
  38. [1] 1506665756
  40. $default $detect $encoding $symbol $output $write $lines $bylines can be reset.
  41. >

说明一下：

  1. #设置分行输出
  2. > mixseg$bylines = TRUE
  4. > mixseg[c("这是第一行文本。","这是第二行文本.")]
  5. [[1]]
  6. [1] "这是"   "第一行" "文本"  
  8. [[2]]
  9. [1] "这是"   "第二行" "文本"  
  11. >
  1. > words = "我爱北京天安门"
  2. # 创建词性标注的 worker
  3. > tagger = worker("tag")
  5. # 对句子words进行分词，并做词性标注
  6. > tagger <= words
  7.        r        v       ns       ns 
  8.     "我"     "爱"   "北京" "天安门" 
  9. >
  1. # 构建一个提取关键词的 worker
  2. > keys = worker("keywords",topn = 4,idf = IDFPATH)
  4. > keys <= "我爱北京天安门"
  5.   8.9954   4.6674 
  6. "天安门"   "北京" 
  7. >

这里创建了一个能提取关键词的worker，topn = 4表示提取 4 个关键词，idf = IDFPATH表示使用逆文档率；

下一句输出结果中，第一行的数值表示 IDF，第二行表示具体关键词.

  1. #显示词典路径
  2. > show_dictpath()
  3. [1] "D:/evirnment/R-3.3.3/library/jiebaRD/dict"
  4. >

如果读者想设置自己的词典、停用词典，可以通过show_dictpath()显示词典路径，然后修改文件内容，并在构建 worker是指定相应文件路径.

小结

以上，就是对结巴分词工具的使用以及分析了，其中关于 HMM模型的原理部分，可以参考《基于HMM的中文分词》一篇.

如果因为这篇文章而让读者对结巴分词有了更深入的理解，那是笔者的荣幸.

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注