自然语言处理基础技术工具篇之Jieba

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 jiebasegfull_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.cacheLoading 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

3.基于 TextRank 算法的关键词抽取

参数：

allowPOS：默认过滤词性

4.词性标注

import jieba.posseg as psegsentence = "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:1word 爱 start: 1 end:2word 自然语言 start: 2 end:6word 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

更多个人笔记请关注：

公众号：StudyForAI（小白人工智能入门学习）

知乎专栏：https://www.zhihu.com/people/yuquanle/columns