jieba源码解析(二):jieba.cut

前一章介绍了jieba分词之前关于前缀词典的构建,本章介绍jieba的主体:jieba.cut
jieba分词有三种模式:全模式、精确模式、搜索引擎模式。全模式和精确模式通过jieba.cut实现,搜索引擎模式对应cut_for_search,且三者均可以通过参数HMM决定是否使用新词识别功能。官方例子:

# encoding=utf-8
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
# 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

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
# 【精确模式】: 我/ 来到/ 北京/ 清华大学

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))
# 【新词识别】:他, 来到, 了, 网易, 杭研, 大厦    (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)

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))
# 【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

jieba.cut

def cut(self, sentence, cut_all=False, HMM=True):
        '''
        jieba分词主函数,返回generator
        参数:
            - sentence: 待切分文本.
            - cut_all: 切分模式. True 全模式, False 精确模式.
            - HMM: 是否使用隐式马尔科夫.
        '''
        sentence = strdecode(sentence)  # sentence转unicode

        if cut_all:
            # re_han_cut_all = re.compile("([\u4E00-\u9FD5]+)", re.U)   
            re_han = re_han_cut_all  
            # re_skip_cut_all = re.compile("[^a-zA-Z0-9+#\n]", re.U)  
            re_skip = re_skip_cut_all    
        else:
            # re_han_default = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._%]+)", re.U)
            re_han = re_han_default                
            # re_skip_default = re.compile("(\r\n|\s)", re.U)
            re_skip = re_skip_default   

        if cut_all:   
            cut_block = self.__cut_all   # cut_all=True, HMM=True or False
        elif HMM:
            cut_block = self.__cut_DAG   # cut_all=False, HMM=True
        else:
            cut_block = self.__cut_DAG_NO_HMM   # cut_all=False, HMM=False
        blocks = re_han.split(sentence)
        for blk in blocks:
            if not blk:
                continue
            if re_han.match(blk):    #  符合re_han匹配的串
                for word in cut_block(blk):
                    yield word
            else:
                tmp = re_skip.split(blk)
                for x in tmp:
                    if re_skip.match(x):
                        yield x
                    elif not cut_all:
                        for xx in x:
                            yield xx
                    else:
                        yield x

可以看出jieba.cut返回一个可迭代的generator,可以使用 for 循环来获得分词后得到的每一个词语(也可以用jieba.lcut直接返回分词list结果)。

  • cut_all=True, HMM=_对应于全模式,即所有在词典中出现的词都会被切分出来,实现函数为__cut_all;
  • cut_all=False, HMM=False对应于精确模式且不使用HMM;按Unigram语法模型找出联合概率最大的分词组合,实现函数为__cut_DAG;
  • cut_all=False, HMM=True对应于精确模式且使用HMM;在联合概率最大的分词组合的基础上,HMM识别未登录词,实现函数为__cut_DAG_NO_HMM。

严格来说,jieba.cut不能算是分词主体,分词结果实际在cut_block里。下面以精确模式(无新词发现)为例具体讲解:

def __cut_DAG_NO_HMM(self, sentence):
    DAG = self.get_DAG(sentence)   # 构建有向无环图
    route = {}
    self.calc(sentence, DAG, route)   # 动态规划计算最大概率路径
    x = 0
    N = len(sentence)
    buf = ''
    while x < N:
        y = route[x][1] + 1
        l_word = sentence[x:y]
        if re_eng.match(l_word) and len(l_word) == 1:
            buf += l_word
            x = y
        else:
            if buf:
                yield buf
                buf = ''
            yield l_word
            x = y
    if buf:
        yield buf
        buf = ''

通过这个函数,可以看出jieba分词具体流程:构建有向无环图-->计算最大概率路径。

构建有向无环图

有向无环图,directed acyclic graphs,简称DAG,是一种图的数据结构,顾名思义,就是没有环的有向图。
jieba采用了Python的dict结构,可以更方便的表示DAG。最终的DAG是以{k : [k , j , ..] , m : [m , p , q] , ...}的字典结构存储,其中k和m为词在文本sentence中的位置,k对应的列表存放的是文本中以k开始且词sentence[k: j + 1]在前缀词典中的 以k开始j结尾的词的列表,即列表存放的是sentence中以k开始的可能的词语的结束位置,这样通过查找前缀词典就可以得到词。
get_DAG(self, sentence)函数进行对系统初始化完毕后,会构建有向无环图。

def get_DAG(self, sentence):
    self.check_initialized()
    DAG = {}
    N = len(sentence)
    for k in range(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

例如:

text = '我来到北京清华大学'
print(jieba.get_DAG(text))
{0: [0], 
1: [1, 2], 
2: [2], 
3: [3, 4], 
4: [4], 
5: [5, 6, 8], 
6: [6, 7], 
7: [7, 8], 
8: [8]}

DAG是用dict表示的,key为边的起点,value为边的终点集合,比如:上述例子中1 -> 2表示词“来到”。

计算最大概率

将log(词频/总词频)作为有向无环图边的权值,并假设词与词之间相互独立,从图论的角度出发,将最大概率组合问题变成了最大路径问题。即:

\[arg\ max∏_iP(w_i)=arg\ max\ log∏_iP(w_i)=arg\ max∑_ilogP(w_i) \]

def calc(self, sentence, DAG, route):
    N = len(sentence)
    route[N] = (0, 0)
    logtotal = log(self.total)
    for idx in range(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])

Jieba用动态规划(DP)来求解最大路径问题,假设用\(d_i\)标记源节点到节点i的最大路径的值,则有

\[d_i=\max_{(j,i)∈E} \{d_j+w(j,i)\} \]

其中,\(w(j,i)\)表示词词\(c_{ij}\)的词频log值,\(w(i,i)\)表示字符\(c_i\)独立成词的词频log值。在求解上述式子时,需要知道所有节点i的前驱节点j;然后DAG中只有后继结点list。在这里,作者巧妙地用到了一个trick——从尾节点m-1往前推算的最优解等价于从源节点0往后推算的。那么,用\(r_i\)标记节点i到尾节点的最大路径的值,则

\[r_i= \max_{(i,j)∈E} \{r_j+w(i,j)\} \]

参考文献

posted @ 2019-09-22 15:17  AloisWei  阅读(...)  评论(...编辑  收藏