NLP（一）：jieba分词
本文主要讲统计分词。
中文预处理的一个重要的环节就是对语料进行分词，将一句话或者一个段落拆分成许多独立个体的词，然后方便向量化，接着进行TF-IDF的特征处理。
在英语中，单词本身就是“词”，而在汉语中，“词”以“字”为基本单位，文章的语义表达仍然以“词”来划分，所以在处理中文文本时，需要进行分词处理，将句子转换为“词”的表示，这个切分词语的过程就是中文分词。
现在已有的分词算法大体可以分为：
- 规则分词：通过维护一个足够大的词典，这个词典中存储了很多的词条，然后计算机会与这些已经存在的词条进行匹配，匹配到一个就完成一个分词。主要有正向最大匹配法（MM），逆向最大匹配法（RMM），双向最大匹配法（BMM）
- 基于理解的分词方法：其做法就是让计算机尽可能模拟人类对于句子的理解，在分词的时候让计算机做到句法分析，语义分析，但是因为汉语言的庞杂以及多变性，这种分词方法并没有那么成熟。
- 统计分词：主要思想是把每个词看作是由词的最小单位的各个字组成的，如果相连的两个字在不同的文本中出现的次数越多，就表示这两个字很有可能构成一个词，因此就利用字与字相邻出现的频率来反应成词的可靠性。这种做法是给出大量的已分好词的文本，然后利用机器学习此文本的分词方式和方法，训练相应的分词模型，从而达到对未知文本的分词，这里就用到了统计学习算法，比如隐马尔可夫HMM，条件随机场CRF。
一、jieba引入
jieba分词是分词的一种工具，镜像下载方法如下：
打开anaconda prompt，输入pip，再输入pip install jieba -i https://pypi.douban.com/simple/即可安装成功。
接下来先看jieba分词的三种分词模式：精确模式，全模式，搜索引擎模式：
全模式和搜索引擎模式会把分词的所有可能都打印出来，一般情况使用精确模式就可以了，在某些模糊匹配场景中，使用全模式和搜索引擎模式，代码如下：
import jieba sent="中文分词是文本处理不可缺少的一步！" seg_list=jieba.cut(sent,cut_all=True) print('全模式：','/'.join(seg_list))
import jieba sent="中文分词是文本处理不可缺少的一步！" seg_list=jieba.cut(sent,cut_all=False) print('精确模式：','/'.join(seg_list))
import jieba sent="中文分词是文本处理不可缺少的一步！" seg_list=jieba.cut(sent) print('默认精确模式：','/'.join(seg_list))
import jieba sent="中文分词是文本处理不可缺少的一步！" seg_list=jieba.cut_for_search(sent) print('搜索引擎模式：','/'.join(seg_list))
初学到这里的时候我在想，既然jieba分词这么好，那好像没有去研究它的必要了，只要会调库，就算是会分词了？这个问题留在这、
在运行代码的时候发现，代码的名字不能命名为“jieba”,否则就会出现“AttributeError: module 'jieba' has no attribute 'cut'”的报错。o(╯□╰)o
- 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
- 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
- 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jieba.lcut 以及jieba.lcut_for_search 直接返回 list
二、添加新词/加载自定义词典
当我们在进行分词的时候可能会有一些新的词语，而这些词语分词器没有进行对应的训练，那么就可能导致分词有误。
例如：
import jieba sent="我不是药神很好看" seg_list=jieba.cut(sent,cut_all=False) print('精确模式：','/'.join(seg_list))
输出结果为：
“我不是药神”应该是一个词，那我们添加它，在网上搜索的时候找到两种添加方法，还未查明两种方法的区别，但是这两种方法适合词较少，可以手动添加的情况，比如对于医学大类的主题文本就不适合这样一行一行的添加：
- jieba.add_word("我是词")
- jieba.suggest_freq("我是词",True)
import jieba sent="我不是药神很好看" jieba.add_word("我不是药神") seg_list=jieba.cut(sent,cut_all=False) print('精确模式：','/'.join(seg_list))
import jieba sent="我不是药神很好看" jieba.suggest_freq("我不是药神", True) seg_list=jieba.cut(sent,cut_all=False) print('精确模式：','/'.join(seg_list))
这两种方式得到的输出结果都为：
如果是某一专业领域的文本，可在网上寻找用户自定义词典，代码如下：
# 加载用户自定义字典 jieba.load_userdict('./source/user_dict.utf8')
三、停用词
有时候我们需要对新闻进行高频词提取，将其作为热词，发现舆论的焦点。高频词指的是文档中出现频率高且非无用的词语，在一定程度上代表了文章的焦点。但是诸如“的”，“了”也是文章中经常出现的词，它们对我们提取高频词产生了干扰且无用，无意义，称为停用词。
有时候并不出于做高频词提取的目的，而我们分词后的下一步常常要做的就是向量化，进行文本分析的时候不需要这些停用词，要想办法去除。
所以出于上述两种停用词的使用目的，下述代码也有两种方式：
①对于TF-IDF，我们只需要告诉组件停用词库，它将自己载入词库并使用它，具体代码为：
import jieba.analyse jieba.analyse.set_stop_words("C:/Users/Administrator/Desktop/stop_words/stop_words.txt")
这里要注意，对于txt文件是用‘utf-8’来解码的，所以还要注意下载的停用词表的存储方式，即：
这里编码方式需要选择UTF-8，否则会出现如下报错：
②除了上一种涉及到tfidf的载入停用词表的方式，还有如下方式，主要是将停用词表输入到代码中为一个列表；然后对分词结果进行筛选，如果分词不在停用词表中且不是换行符，就将词和一个空格输出：
import jieba.analyse
stpwrd_dic = open("C:/Users/Administrator/Desktop/stop_words/stop_words.txt", encoding='UTF-8')
stpwrd_content = stpwrd_dic.read()
stpwrdlst = stpwrd_content.splitlines()
content="沙瑞金赞叹易学习的胸怀了，是金山的百姓有福，可是这件事对李达康的触动很大。易学习又回忆起他们三人分开的前一晚，大家一起喝酒话别，易学习被降职到道口县当县长，王大路下海经商，李达康连连赔礼道歉，觉得对不起大家，他最对不起的是王大路，就和易学习一起给王大路凑了5万块钱，王大路自己东挪西撮了5万块，开始下海经商。没想到后来王大路竟然做得风生水起。沙瑞金觉得他们三人，在困难时期还能以沫相助，很不容易。"
tent=jieba.cut(content,cut_all=False)
stp=' '
for words in tent:
if words not in stpwrdlst:
if words!='\t':
stp+=words
stp+=' '
print(stp)
使用停用词表后的代码结果为：
可以看到，一些标点符号和停用词被去除了，这里还是要注意一下编码的问题，即open时需要encoding='UTF-8'，否则会报错。
四、原理浅析
jieba分词结合了基于规则和基于统计两类方法：
首先，基于前缀词典进行词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG），前缀词典就是词典中的词是按照前缀包含的顺序排列。
比如这句话‘天使兰超温柔’
jieba 在其源码中有一个 dict.txt 文件，基于这个文件生成一个 trie 树，将需要进行分词的句子生成有向无环图 (DAG)，通俗来说就是将需要分词的句子对照已有的 trie 树生成几种可能的区分。像上图，就是一个DAG，它的划分结果是‘天 使 兰 超 温 柔’，jieba基于前缀词典可以快速构建包含全部可能分词结果的有向无环图，上图分词结果只是其中的一条分词路径，‘有向’是指全部的路径都起始于第一个字，止于最后一个字，无环是指节点之间不构成闭环。
然后，采用动态规划查找最大概率路径，找出基于词频的最大切分组合，并将其作为最终的分词结果：
最后，基于未登录词，使用基于汉字成词的hmm模型，采用维特比算法进行推导：
未登陆词指的是在dict.txt里面没有被记录的词，值得注意的是当我们把dict.txt中的词语全部删除，jieba依然能够进行分词，但是分出来的词大部分长度都为2，其实这个时候使用的就是HMM来进行分词了。
我们可以将中文的词汇按照B（begin–开始的位置）E（end–结束的位置）M（middle–中间的位置）S（singgle–单独成词的位置，没有前也没有后）排列成一个序列，jieba中就是以这种形式来标记中文的词语，举个例子：“深圳”这个词语可以被标记为BE，也就是深/B圳/E，其意义是深是开始的位置，圳是结束的位置，复杂一些的词语“值得关注”会被标记为BMME，也就是开始，中间，中间，结束。
在jieba中对语料进行了训练从而得到了三个概率表，通过训练得到了概率表再加上viterbi算法就可以得到一个概率最大的BEMS序列， 按照B打头, E结尾的方式, 对待分词的句子重新组合, 就得到了分词结果。
例如我们有一个待分词的句子“全世界都在学中国话”，这句话可以得到一个BEMS序列 [S,B,E,S,S,S,B,E,S](注意这个序列是一个假设，不一定正确)，接下来我们将序列中的BE放在一起得到一个词，单独的S独立出来，那么我们就可以得到这样的一个分词结果“全/S 世界/BE 都/S 在/S 学/S 中国/BE 话/S”这样我们就得到了一个较为准确的分词结果。
