jieba分词算法

特点：

• 支持三种分词模式 
  –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。 
  -支持繁体分词 
  -支持自定义词典

使用：

-安装或者将jieba目录放在当前目录或者site-packages目录

算法：

-基于前缀词典实现高效的词图扫描，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） 
-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 
-对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法

添加自定义词典：

-开发者可以指定自己自定义的词典，以便包含jieba词库里没有的词。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率 
-用法：jieba.load_userdict(file_name)#file_name为文件类对象 或自定义词典的路径 
-词典格式：一个词一行:词语，词频（可省略），词性（可省略），用空格隔开，顺序不可颠倒。UTF-8编码。

关键词提取：

-基于TF-IDF算法的关键词抽取 
import jieba.analyse

• jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=()) 
  –sentence 为待提取的文本 
  –topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20 
  –withWeight 为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

• jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径

• 用法:jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径

关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径

• 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径

-基于TextRank算法的关键词提取

• jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。
• jieba.analyse.TextRank() 新建自定义 TextRank 实例 
  –基本思想： 
  1，将待抽取关键词的文本进行分词 
  2，以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图 
  3，计算图中节点的PageRank，注意是无向带权图

• 操作实例：

• import jieba
  import  jieba.posseg
  import jieba.analyse
  #分析血尸的词频
  data=open("E:/数据挖掘/源码/源码/第7周/血尸.txt").read()
  #print(data)
  tag=jieba.analyse.extract_tags(data,15)
  print(tag)
  
  
  #分析盗墓笔记中的关键字提取
  
  #该方法编码问题没有解决
  data2=open('E:/数据挖掘/源码/源码/第7周/dmbj.html','rb').read().decode('utf-8','ignore')
  #print(data)
  tag=jieba.analyse.extract_tags(data2,20)
  print(tag)

• 运行的结果：
• ['老三', '二哥', '东西', '伢子', '烟头', '耗子', '血尸', '洞里', '下面', '独眼', '一声', '听到', '知道', '下去', '时候']
  *******盗墓笔记中的关键字的提取***********
  ['三叔', '我们', '胖子', '油瓶', '潘子', '什么', '东西', '知道', '这里', '但是', '没有', '一个', '看到', '老痒', '事情', '时候', '一下', '感觉', '阿宁', '已经']