jieba--做最好用的中文分词组件详解【2】(载入词典与调整词典)
写在最前面:
今天有时间,再讲一讲jieba分词的词典。
载入词典:
首先,这是原来的分词方式及其结果:
- 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
import jiebatest_sent = ("李小福是创新办主任也是云计算方面的专家\n""什么是八一双鹿\n""例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n""「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
words = jieba.cut(test_sent)
print("/ ".join(words))
李小福/ 是/ 创新/ 办/ 主任/ 也/ 是/ 云/ 计算/ 方面/ 的/ 专家/
/ 什么/ 是/ 八/ 一双/ 鹿/
/ 例如/ 我/ 输入/ 一个/ 带/ “/ 韩玉/ 赏鉴/ ”/ 的/ 标题/ ,/ 在/ 自定义词/ 库中/ 也/ 增加/ 了/ 此/ 词为/ N/ 类/
/ 「/ 台/ 中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ;/ 此時/ 又/ 可以/ 分出/ 來凱/ 特琳/ 了/ 。
加入自定义字典
云计算 5
李小福 2 nr
创新办 3 i
easy_install 3 eng
好用 300
韩玉赏鉴 3 nz
八一双鹿 3 nz
台中
凱特琳 nz
Edu Trust认证 2000
载入自定义字典
jieba.load_userdict("userdict.txt")
李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 方面/ 的/ 专家/
/ 什么/ 是/ 八一双鹿/
/ 例如/ 我/ 输入/ 一个/ 带/ “/ 韩玉赏鉴/ ”/ 的/ 标题/ ,/ 在/ 自定义词/ 库中/ 也/ 增加/ 了/ 此/ 词为/ N/ 类/
/ 「/ 台中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ;/ 此時/ 又/ 可以/ 分出/ 來/ 凱特琳/ 了/ 。
那么这个自定义字典是如何定义的呢?
- 一个词占一行;
- 每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒;
file_name
若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码
文末附词性表
调整词典
使用
add_word(word, freq=None, tag=None)
和del_word(word)
可在程序中动态修改词典。使用
suggest_freq(segment, tune=True)
可调节单个词语的词频,使其能(或不能)被分出来。注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
使用 suggest_freq(segment, tune=True)
调节单个词语的词频
import jieba
jieba.load_userdict("userdict.txt")test_sent = ("李小福是创新办主任也是云计算方面的专家\n""什么是八一双鹿\n""例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n""「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)words = jieba.cut(test_sent)
jieba.suggest_freq(('云','计算'),True)
jieba.suggest_freq(('八一','双鹿'),True)
print("/ ".join(words))
李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云/ 计算/ 方面/ 的/ 专家/
/ 什么/ 是/ 八/ 一双/ 鹿/
/ 例如/ 我/ 输入/ 一个/ 带/ “/ 韩玉赏鉴/ ”/ 的/ 标题/ ,/ 在/ 自定义词/ 库中/ 也/ 增加/ 了/ 此/ 词为/ N/ 类/
/ 「/ 台中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ;/ 此時/ 又/ 可以/ 分出/ 來/ 凱特琳/ 了/ 。
我们可以看到与计算、八一双鹿被手动分开了
使用 add_word(word, freq=None, tag=None)
和 del_word(word)
可在程序中动态修改词典
import jieba
jieba.load_userdict("userdict.txt")test_sent = ("李小福是创新办主任也是云计算和石墨烯方面的专家\n""什么是八一双鹿\n""例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n""「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)words = jieba.cut(test_sent)
print("/ ".join(words))
李小福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 和/ 石墨/ 烯/ 方面/ 的/ 专家/
/ 什么/ 是/ 八一双鹿/
/ 例如/ 我/ 输入/ 一个/ 带/ “/ 韩玉赏鉴/ ”/ 的/ 标题/ ,/ 在/ 自定义/ 词库/ 中/ 也/ 增加/ 了/ 此/ 词为/ N/ 类/
/ 「/ 台中/ 」/ 正確/ 應該/ 不會/ 被/ 切開/ 。/ mac/ 上/ 可/ 分出/ 「/ 石墨/ 烯/ 」/ ;/ 此時/ 又/ 可以/ 分出/ 來/ 凱特琳/ 了/ 。
可以看到,我自定义的字典里没有石墨烯的词,所以石墨烯没有被正确识别出来,然后我加入石墨烯。
import jieba
jieba.load_userdict("userdict.txt")test_sent = ("李小福是创新办主任也是云计算和石墨烯方面的专家\n""什么是八一双鹿\n""例如我输入一个带“韩玉赏鉴”的标题,在自定义词库中也增加了此词为N类\n""「台中」正確應該不會被切開。mac上可分出「石墨烯」;此時又可以分出來凱特琳了。"
)
jieba.add_word('石墨烯')
words = jieba.cut(test_sent)
print("/ ".join(words))
然后石墨烯被正确识别出来了
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语
区别词(1个一类,2个二类)
b 区别词
bl 区别词性惯用语
连词(1个一类,1个二类)
c 连词
cc 并列连词
副词(1个一类)
d 副词
叹词(1个一类)
e 叹词
方位词(1个一类)
f 方位词
前缀(1个一类)
h 前缀
后缀(1个一类)
k 后缀
数词(1个一类,1个二类)
m 数词
mq 数量词
名词 (1个一类,7个二类,5个三类)
名词分为以下子类:
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素
拟声词(1个一类)
o 拟声词
介词(1个一类,2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
量词(1个一类,2个二类)
q 量词
qv 动量词
qt 时量词
代词(1个一类,4个二类,6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素
处所词(1个一类)
s 处所词
时间词(1个一类,1个二类)
t 时间词
tg 时间词性语素
助词(1个一类,15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 (“连小学生都会”)
动词(1个一类,9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词(内动词)
vl 动词性惯用语
vg 动词性语素
标点符号(1个一类,16个二类)
w 标点符号
wkz 左括号,全角:( 〔 [ { 《 【 〖 〈 半角:( [ { <
wky 右括号,全角:) 〕 ] } 》 】 〗 〉 半角: ) ] { >
wyz 左引号,全角:“ ‘ 『
wyy 右引号,全角:” ’ 』
wj 句号,全角:。
ww 问号,全角:? 半角:?
wt 叹号,全角:! 半角:!
wd 逗号,全角:, 半角:,
wf 分号,全角:; 半角: ;
wn 顿号,全角:、
wm 冒号,全角:: 半角: :
ws 省略号,全角:…… …
wp 破折号,全角:—— -- ——- 半角:--- ----
wb 百分号千分号,全角:% ‰ 半角:%
wh 单位符号,全角:¥ $ £ ° ℃ 半角:$
字符串(1个一类,2个二类)
x 字符串
xx 非语素字
xu 网址URL
语气词(1个一类)
y 语气词(delete yg)
状态词(1个一类)
z 状态词
jieba--做最好用的中文分词组件详解【2】(载入词典与调整词典)相关推荐
- “结巴”中文分词:做最好的 Python 中文分词组件
jieba "结巴"中文分词:做最好的 Python 中文分词组件 "Jieba" (Chinese for "to stutter") C ...
- ansj中文分词器详解
ansj中文分词器详解 最近在做一个人工智能的项目,其中用到了分词功能.从网上找了一些java用于分词的工具,最终选择了ansj中文分词器.个人认为效果和功能是比较优秀的.本文将对ansj的所有功 ...
- 搜索引擎分词:Nutch整合Paoding中文分词步骤详解
搜索引擎+B2B平台+SNS网站=?, 一个三不像网站.偏偏投资人需要这样一个三不像网站.从4月份开始组建团队.时间一瞬2个月过去了.做B2B需要的就是大工作量和时间,而做搜索引擎光分词这块就搞的头大 ...
- 【IKAnalyzer中文分词器详解-(1)分词逻辑】
分词的目的:把一句话,分解成单字.数量词 .词 (分词算法中称为"词元") 初始化词典Trie树结构 把句子分解成词 处理歧义与冲突词,删除多余的低权重词元 应用目的: 搜索引擎为 ...
- jieba中文分词组件
目录 jieba简介 组件特点 安装方法 算法 使用jieba 分词 添加自定义词典 载入词典 调整词典 关键词提取 基于 TF-IDF 算法的关键词抽取 基于 TextRank 算法的关键词抽取 词 ...
- 3、Python 中文分词组件Jieba
在自然语言处理中,分词是一项最基本的技术.中文分词与英文分词有很大的不同,对英文而言,一个单词就是一个词,而汉语以字为基本书写单位,词语之间没有明显的区分标记,需要人为切分.现在开源的中文分词工具有 ...
- Java分布式中文分词组件 - word分词
Java分布式中文分词组件 - word分词 word分词是一个Java实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义.能准确识别英文.数字,以及日期.时间等 ...
- Java分布式中文分词组件 - word分词(转自 https //github com/ysc/word)
首先给大家分享一个巨牛巨牛的人工智能教程,是我无意中发现的.教程不仅零基础,通俗易懂,而且非常风趣幽默,还时不时有内涵段子,像看小说一样,哈哈-我正在学习中,觉得太牛了,所以分享给大家!点这里可以跳转 ...
- Java分布式中文分词组件 - word分词(转自:https://github.com/ysc/word)
###Java分布式中文分词组件 - word分词 ####word分词是一个Java实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义.能准确识别英文.数字,以 ...
最新文章
- PAT 1025 反转链表 (25)(STL-map+思路+测试点分析)
- 英特尔高管晒照片不小心泄密,正在研发的雷电5就这样暴露了
- 基于堆栈的虚拟机实现
- 【PM模块】维护处理的控制和报告
- 如何注入值到Spring bean属性
- linux如何抓取本地socket,linux 本地socket
- nginx+php简单配置环境
- pic单片机c语言 程序,PIC单片机C语言编程教程(1)
- c语言 常微分方程 库,使用C语言解常微分方程CODE.docx
- 简单使用触发器(详细) SQL触发器的使用及语法
- 计算机科学与技术哪些专业课,计算机科学与技术专业课程有哪些 计算机科学与技术有哪些科目...
- 统考计算机u盘禁用,四个轻松解除电脑禁用U盘的方法
- 汉诺塔游戏设计(C++控制台版)
- 毫米焦距到像素焦距换算
- python 卡方分布值_卡方新动力2020高校算法建模挑战赛
- 基于vue+exharts的双折线图
- 我的第一次直播,聊聊「职业规划」和「个人成长」
- moment常用用法详解
- java实现简单的搜索引擎
- python_词典练习1 词典