【NLP】之 结巴分词
1.结巴分词简介
结巴分词是当前效果较好的一种中文分词器，支持中文简体、中文繁体分词，同时还支持自定义词库。
结巴分词支持三种分词模式：精确模式、全模式和搜索引擎模式。
精确模式是试图将句子最精确的进行切分，适合用于文本分析； 全模式的原理是把句子中全部可以成词的词语全部扫描出来，它的分词速度快，缺点是无法识别歧义词句； 搜索引擎模式是在精确模式的基础上进一步处理的，它对较长的词语再进行分割，将召回率提高，适合于搜索引擎分词。结巴分词自带一个词典，内含20000多条词，及词条出现的次数与词性。结巴分词用到的算法有基于Trie树的词图遍历，会生成一个DAG图，该图是由句子中所有汉字的所有可能组合决定，采用动态规划（DP）查找概率最大的路径，从而找出基于词频的最大切分组合，而对于结巴分词词典中未记录的词，其使用了基于汉字成词能力的HMM模型，以及Viterbi算法。
python结巴分词安装
pip install jieba
2.分词实现
结巴分词有三种模式，具体内容在上文已有介绍。本系统分词采用的是精确模式，使用的是基于Python的jieba模块来实现。
停用词（Stop Words）是指在信息检索中，在自然语言处理之前或之后被自动过滤的字或词，目的是为了节省内存空间并提高搜索效率。停用词表是人工构造的，本系统使用的是哈工大停用词表。
哈工大停用词下载链接：https://github.com/goto456/stopwords
结巴分词及去停用词核心代码如下：
import jieba
#分词
def stripdata(Test):
# jieba 默认启用了HMM（隐马尔科夫模型）进行中文分词
seg_list = jieba.cut(Test) # 分词
#获取字典，去除停用词
line = "/".join(seg_list)
word = stripword(line)
#print(line)
#列出关键字
print("\n关键字：\n"+word)
#停用词分析
def stripword(seg):
#打开写入关键词的文件
keyword = open('key_word.txt', 'w+', encoding='utf-8')
print("去停用词：\n")
wordlist = []
#获取停用词表
stop = open('stopword.txt', 'r+', encoding='utf-8')
stopword = stop.read().split("\n")
#遍历分词表
for key in seg.split('/'):
#print(key)
#去除停用词，去除单字，去除重复词
if not(key.strip() in stopword) and (len(key.strip()) > 1) and not(key.strip() in wordlist) :
wordlist.append(key)
print(key)
keyword.write(key+"\n")
#停用词去除END
stop.close()
keyword.close()
return '/'.join(wordlist)
def creat():
Rawdata = open('raw.txt','r+')
text = Rawdata.read()
#调用分词
stripdata(text)
#END
Rawdata.close()
if __name__ == '__main__' :
creat()
分词效果
作者：马小酥
