jieba分词原理 ‖ 基于前缀词典及动态规划的分词实现
jieba分词原理 ‖ 基于汉字成词能力的HMM模型识别未登录词实现
jieba分词原理 ‖ 词性标注
jieba分词原理 ‖ 关键词抽取

1 简介

词性（part-of-speech）是词汇基本的语法范畴，通常也称为词类，主要用来描述一个词在上下文的作用。例如，描述一个概念的词就是名词，在下文引用这个名词的词就是代词。有的词性经常会出现一些新的词，例如名词，这样的词性叫做开放式词性。另外一些词性中的词比较固定，例如代词，这样的词性叫做封闭式词性。因为存在一个词对应多个词性的现象，所以给词准确地标注词性并不是很容易。例如，“改革”在“中国开始对计划经济体制进行改革”这句话中是一个动词，但是在“医药卫生改革中的经济问题”这个句子中是一个名词。把这个问题抽象出来，就是已知单词序列，给每个单词标注词性。词性标注是自然语言处理中一项非常重要的基础性工作。

汉语词性标注同样面临许多棘手的问题，其主要的难点可以归纳为以下三个方面：

汉语是一种缺乏词形态变化的语言，词的类别不能像印欧语言那样，直接从词的形态变化来判别；
常用词兼类现象严重，越是常用的词，不同的用法越多，尽管兼类现象仅仅占汉语词汇很小的一部分，但是由于兼类使用的程度高，兼类现象纷繁，覆盖面广，涉及汉语中大部分词类，因而造成汉语文本中词类歧义排除的任务量大，而且面广，复杂多样；
研究者主观原因造成的困难。语言学界在词性划分的目的、标准等问题还存在分歧；

不同的语言有不同的词性标注集。为了方便指明词的词性，可以给每个词性编码，可以具体参考 ICTCLAS 汉语词性标注集，其中，常见的有a表示形容词，d表示副词，n表示名词，p表示介词，v表示动词。

目前采用的词性标注方法主要有基于统计模型的标注方法、基于规则的标注方法、统计方法与规则方法相结合的方法、基于有限状态转换机的标注方法和基于神经网络的词性标注方法。

jieba分词中提供了词性标注功能，可以标注标注句子分词后每个词的词性，词性标注集采用北大计算所词性标注集，属于采用基于统计模型的标注方法，下面将通过实例讲解介绍如何使用jieba分词的词性标注接口、以及通过源码讲解其实现的原理。

2 实例讲解

示例代码如下所示，

# 引入词性标注接口
import jieba.posseg as psgtext = "去北京大学玩"
#词性标注
seg = psg.cut(text)#将词性标注结果打印出来
for ele in seg:print ele

控制台输出，

去/v
北京大学/nt
玩/v

可以观察到“去”是动词，“北京大学”是机构名称，“玩”也是动词。

3 jieba分词系统的词性标注流程

jieba分词的词性标注过程非常类似于jieba分词的分词流程，同时进行分词和词性标注。

在词性标注的时候，首先基于正则表达式（汉字）进行判断，1）如果是汉字，则会基于前缀词典构建有向无环图，然后基于有向图计算最大概率路径，同时在前缀词典中查找所分出的词的词性，如果没有找到，则将其词性标注为“x”（非语素字非语素字只是一个符号，字母x通常用于代表未知数、符号）；如果HMM标志位置位，并且该词为未登录词，则通过隐马尔科夫模型对其进行词性标注；2）如果是其它，则根据正则表达式判断其类型，分别赋予“x”，“m”（数词取英语numeral的第3个字母，n，u已有他用），“eng”（英文）。流程图如下所示，

其中，基于前缀词典构造有向无环图，然后基于有向无环图计算最大概率路径，原理及源码剖析，具体可参考结巴分词2--基于前缀词典及动态规划实现分词这篇blog。

其中，基于隐马尔科夫模型进行词性标注，就是将词性标注视为序列标注问题，利用Viterbi算法进行求解，原理及源码剖析，具体可参考结巴分词3--基于汉字成词能力的HMM模型识别未登录词这篇blog。

4 源码分析

jieba分词的词性标注功能，是在jieba/posseg目录下实现的。

其中，__init__.py实现了词性标注的大部分函数；

char_state_tab.py存储了离线统计的字及其对应的状态；

prob_emit.py存储了状态到字的发射概率的对数值；

prob_start.py存储了初始状态的概率的对数值；

prob_trans.py存储了前一时刻的状态到当前时刻的状态的转移概率的对数值；

viterbi.py实现了Viterbi算法；

4.1 主调函数

jieba分词的词性标注接口的主调函数是cut函数，位于jieba/posseg/__init__.py文件中。

默认条件下，jieba.pool是None，jieba.pool is None这个条件为True，会执行下面的for循环。

def cut(sentence, HMM=True):"""Global `cut` function that supports parallel processing.Note that this only works using dt, custom POSTokenizerinstances are not supported."""global dt# 默认条件下，此条件为Trueif jieba.pool is None:# 执行for循环for w in dt.cut(sentence, HMM=HMM):yield welse:parts = strdecode(sentence).splitlines(True)if HMM:result = jieba.pool.map(_lcut_internal, parts)else:result = jieba.pool.map(_lcut_internal_no_hmm, parts)for r in result:for w in r:yield w

for循环中的dt = POSTokenizer(jieba.dt)，POSTokenizer就是jieba分词中的词性标注定义的类，其中jieba.dt是jieba自己实现的分词接口。POSTokenizer类在初始化的时候，会读取离线统计的词典（每行分别为字、频率、词性），加载为词--词性词典。

最终，程序会执行dt.cut函数。

cut函数是默认条件下jieba分词的词性标注过程的执行函数，位于jieba/posseg/__init__.py文件定义的POSTokenizer中。cut函数会执行__cut_internal这个函数。

__cut_internal函数会首先根据标志位，选择不同的分割函数，然后会首先基于正则表达式对输入句子进行分割，如果是汉字，则根据分割函数进行分割；否则，进一步根据正则表达式判断其类型。

默认情况下，HMM标志位为True，因此cut_blk = self.__cut_DAG，也就会使用HMM模型来对未登录词进行词性标注。

def __cut_internal(self, sentence, HMM=True):self.makesure_userdict_loaded()sentence = strdecode(sentence)blocks = re_han_internal.split(sentence)# 根据标志位判断，选择不同的分割函数if HMM:# 使用HMM模型cut_blk = self.__cut_DAGelse:# 不使用HMM模型cut_blk = self.__cut_DAG_NO_HMMfor blk in blocks:# 匹配汉字的正则表达式，进一步根据分割函数进行切割if re_han_internal.match(blk):for word in cut_blk(blk):yield word# 没有匹配上汉字的正则表达式else:tmp = re_skip_internal.split(blk)for x in tmp:if re_skip_internal.match(x):yield pair(x, 'x')else:for xx in x:# 匹配为数字if re_num.match(xx):yield pair(xx, 'm')# 匹配为英文elif re_eng.match(x):yield pair(xx, 'eng')# 未知类型else:yield pair(xx, 'x')

4.2 基于有向无环图计算最大概率路径

__cut_DAG函数会首先根据离线统计的词典（每行分别为字、频率、词性）构建前缀词典这个词典。然后基于前缀词典构建有向无环图，然后基于有向无环图计算最大概率路径，对句子进行分割。基于分割结果，如果该词在词--词性词典中，则将词典中该词的词性赋予给这个词，否则赋予“x”；如果前缀词典中不存在该词，则这个词是未登录词，则利用隐马尔科夫模型对其进行词性标注；如果上述两个条件都没有满足，则将词性标注为“x”。

def __cut_DAG(self, sentence):# 构建有向无环图DAG = self.tokenizer.get_DAG(sentence)route = {}# 计算最大概率路径self.tokenizer.calc(sentence, DAG, route)x = 0buf = ''N = len(sentence)while x < N:y = route[x][1] + 1l_word = sentence[x:y]if y - x == 1:buf += l_wordelse:if buf:if len(buf) == 1:# 词--词性词典中有该词，则将词性赋予给该词；否则为“x”yield pair(buf, self.word_tag_tab.get(buf, 'x'))# 前缀词典中不存在这个词，则利用隐马尔科夫模型进行词性标注elif not self.tokenizer.FREQ.get(buf):recognized = self.__cut_detail(buf)for t in recognized:yield telse:# 两种条件都不满足，则将词性标注为“x”for elem in buf:yield pair(elem, self.word_tag_tab.get(elem, 'x'))buf = ''# 默认将词性标注为“x”yield pair(l_word, self.word_tag_tab.get(l_word, 'x'))x = y..............

4.3 隐马尔科夫识别未登录词

__cut_detail函数是利用隐马尔科夫模型进行词性标注的主函数。

__cut_detail函数首先利用正则表达式对未登录词组成的句子进行分割，然后根据正则表达式进行判断，如果匹配上，则利用隐马尔科夫模型对其进行词性标注；否则，进一步根据正则表达式，判断其类型。

其中，__cut是隐马尔科夫模型进行词性标注的执行函数。

def __cut_detail(self, sentence):# 根据正则表达式对未登录词组成的句子进行分割blocks = re_han_detail.split(sentence)for blk in blocks:# 匹配上正则表达式if re_han_detail.match(blk):# 利用隐马尔科夫模型对其进行词性标注for word in self.__cut(blk):yield word# 没有匹配上正则表达式else:tmp = re_skip_detail.split(blk)for x in tmp:if x:# 匹配为数字if re_num.match(x):yield pair(x, 'm')# 匹配为英文elif re_eng.match(x):yield pair(x, 'eng')# 匹配为未知类型else:yield pair(x, 'x')

__cut函数会首先执行Viterbi算法，由Viterbi算法得到状态序列（包含分词及词性标注），也就可以根据状态序列得到分词结果。其中状态以B开头，离它最近的以E结尾的一个子状态序列或者单独为S的子状态序列，就是一个分词。以”去北京大玩学城“为例，其中，“去“和”北京”在前缀词典中有，因此直接通过词--词性词典对其匹配即可，它俩的词性分别为“去/v”，“北京/ns”；而对于”大玩学城“这个句子，是未登录词，因此对其利用隐马尔科夫模型对其进行词性标志，它的隐藏状态序列就是[(u'S', u'a'), (u'B', u'n'), (u'E', u'n'), (u'B', u'n')]这个列表，列表中的每个元素为一个元组，则分词为”S / BE / B“，对应观测序列，也就是”大 / 玩学 / 城”。

def __cut(self, sentence):# 执行Viterbi算法prob, pos_list = viterbi(sentence, char_state_tab_P, start_P, trans_P, emit_P)begin, nexti = 0, 0for i, char in enumerate(sentence):# 根据状态进行分词pos = pos_list[i][0]if pos == 'B':begin = ielif pos == 'E':yield pair(sentence[begin:i + 1], pos_list[i][1])nexti = i + 1elif pos == 'S':yield pair(char, pos_list[i][1])nexti = i + 1if nexti < len(sentence):yield pair(sentence[nexti:], pos_list[nexti][1])

4.4 Viterbi算法

viterbi函数是在jieba/posseg/viterbi.py文件中实现。实现过程非常类似于结巴分词3--基于汉字成词能力的HMM模型识别未登录词这篇blog 3.3 章节中讲解的。

其中，obs是观测序列，也即待标注的句子；

states是每个词可能的状态，在jieba/posseg/char_state_tab.py文件中定义，格式如下，表示字“一”（\u4e00）可能的状态包括1）“B”表明位于词的开始位置，“m”表示词性为为数词；2）“S”表明单字成词，“m”表示词性为为数词等等状态。

P={'\u4e00': (('B', 'm'),
('S', 'm'),
('B', 'd'),
('B', 'a'),
('M', 'm'),
('B', 'n'),
...
}

start_p，是初始状态，在jieba/posseg/prob_start.py文件中定义，格式如下，表示1）“B”表明位于词的开始位置，“a”表示为形容词，其对数概率为-4.762305214596967；2）=）“B”表明位于词的开始位置，“b”表示为区别词（取汉字“别”的声母），其初始概率的对数值为-5.018374362109218等等状态。

P={('B', 'a'): -4.762305214596967,
('B', 'ad'): -6.680066036784177,
('B', 'ag'): -3.14e+100,
('B', 'an'): -8.697083223018778,
('B', 'b'): -5.018374362109218,
...
}

trans_p，是状态转移概率，在jieba/posseg/prob_trans.py文件中定义中定义，格式如下，表示1）前一时刻的状态为（“B”和“a”），也即前一个字为词的开始位置，词性为形容词，当前时刻的状态为（“E”和“a”），也即当前字位于词的末尾位置，词性为形容词，它的状态转移概率的对数值为-0.0050648453069648755等等状态。

P={('B', 'a'): {('E', 'a'): -0.0050648453069648755,
('M', 'a'): -5.287963037107507},
('B', 'ad'): {('E', 'ad'): -0.0007479013978476627,
('M', 'ad'): -7.198613337130562},
('B', 'ag'): {},
('B', 'an'): {('E', 'an'): 0.0},
...
}

emit_p，是状态发射概率，在jieba/posseg/prob_emit.py文件中定义中定义，格式如下，表示1）当前状态为（“B”和“a”），也即当前字位于词的开始位置，词性为形容词，到汉字“一”的发射概率的对数值为-3.618715666782108；2）到汉字“万”（\u4e07）的发射概率的对数值为-10.500566885381515。

P={('B', 'a'): {'\u4e00': -3.618715666782108,
'\u4e07': -10.500566885381515,
'\u4e0a': -8.541143017159477,
'\u4e0b': -8.445222895280738,
'\u4e0d': -2.7990867583580403,
'\u4e11': -7.837979058356061,
...
}

viterbi函数会先计算各个初始状态的对数概率值，然后递推计算，依次1）获取前一时刻所有的状态集合；2）根据前一时刻的状态和状态转移矩阵，提前计算当前时刻的状态集合，再根据当前的观察值获得当前时刻的可能状态集合，再与上一步骤计算的状态集合取交集；3）根据每时刻当前所处的状态，其对数概率值取决于上一时刻的对数概率值、上一时刻的状态到这一时刻的状态的转移概率、这一时刻状态转移到当前的字的发射概率三部分组成。最后再根据最大概率路径依次回溯，得到最优的路径，也即为要求的各个时刻的状态。

jieba分词中的状态如何选取？在模型的数据是如何生成的？ #7中提到，

状态多一些使得分词更准确这一点我也赞同。其实，在jieba分词的词性标注子模块posseg中，就是将BMES四种状态和20集中词性做笛卡尔集得到所有的状态，最后的效果也的确比finalseg要好，尤其是人名识别方面，但是速度就严重下降了。

https://github.com/fxsjy/jieba/blob/master/jieba/posseg/prob_start.py

def viterbi(obs, states, start_p, trans_p, emit_p):V = [{}]  # tabularmem_path = [{}]# 根据状态转移矩阵，获取所有可能的状态all_states = trans_p.keys()# 时刻t=0，初始状态for y in states.get(obs[0], all_states):  # initV[0][y] = start_p[y] + emit_p[y].get(obs[0], MIN_FLOAT)mem_path[0][y] = ''# 时刻t=1,...,len(obs) - 1for t in xrange(1, len(obs)):V.append({})mem_path.append({})#prev_states = get_top_states(V[t-1])# 获取前一时刻所有的状态集合prev_states = [x for x in mem_path[t - 1].keys() if len(trans_p[x]) > 0]# 根据前一时刻的状态和状态转移矩阵，提前计算当前时刻的状态集合prev_states_expect_next = set((y for x in prev_states for y in trans_p[x].keys()))# 根据当前的观察值获得当前时刻的可能状态集合，再与上一步骤计算的状态集合取交集obs_states = set(states.get(obs[t], all_states)) & prev_states_expect_next# 如果当前状态的交集集合为空if not obs_states:# 如果提前计算当前时刻的状态集合不为空，则当前时刻的状态集合为提前计算当前时刻的状态集合，否则为全部可能的状态集合obs_states = prev_states_expect_next if prev_states_expect_next else all_states# 当前时刻所处的各种可能的状态集合for y in obs_states:# 分别获取上一时刻的状态的概率对数，该状态到本时刻的状态的转移概率对数，本时刻的状态的发射概率对数# prev_states是当前时刻的状态所对应上一时刻可能的状态集合prob, state = max((V[t - 1][y0] + trans_p[y0].get(y, MIN_INF) +emit_p[y].get(obs[t], MIN_FLOAT), y0) for y0 in prev_states)V[t][y] = probmem_path[t][y] = state# 最后一个时刻last = [(V[-1][y], y) for y in mem_path[-1].keys()]# if len(last)==0:#     print obsprob, state = max(last)# 从时刻t = len(obs) - 1,...,0，依次将最大概率对应的状态保存在列表中route = [None] * len(obs)i = len(obs) - 1while i >= 0:route[i] = statestate = mem_path[i][state]i -= 1# 返回最大概率及各个时刻的状态return (prob, route)

相关优化：

根据前一时刻的状态和状态转移矩阵，提前计算当前时刻的状态集合，再根据当前的观察值获得当前时刻的可能状态集合，再与上一步骤计算的状态集合取交集，可以减少当前时刻的所处的状态数目；

jieba分词原理 ‖ 词性标注相关推荐

NLP之jieba分词原理简析
一.jieba介绍 jieba库是一个简单实用的中文自然语言处理分词库. jieba分词属于概率语言模型分词.概率语言模型分词的任务是:在全切分所得的所有结果中求某个切分方案S,使得P(S)最大. j ...
Jieba分词原理与解析
1 HMM模型马尔科夫过程: 以天气判断为例:引出隐马尔科夫模型于是我们可以将这种类型的过程建模为有一个隐藏的马尔科夫过程和一个与这个隐藏马尔科夫过程概率相关的并且可以观察到的状态集合.这就是本文 ...
jieba分词、词性标注、停用词
1简单问题读取text #encoding=utf-8 file='test.txt' fn=open(file,"r") print fn.read() fn.close() ...
文本处理（二）词频统计,jieba分词，词性标注，snownlp情感分析
这一篇接着上一篇处理后的数据进行操作,按照(一)中的步骤,这事应该将文本数据每一行中的高频的正面词去掉,因为多数是描述身体健康的短句,只有少数是描述脾脏检查异常的,所以尝试删除掉描述身体健康的短句,只 ...
jieba分词-词性标注
结巴分词4--词性标注作者:zhbzz2007 出处:http://www.cnblogs.com/zhbzz2007 1 简介词性(part-of-speech)是词汇基本的语法范畴,通常也称为 ...
自然语言处理2 -- jieba分词用法及原理
文章目录 1 概述 2 jieba分词用法 2.1 分词 2.2 添加自定义词典 2.3 调整词典 2.4 关键词提取 2.5 词性标注 2.6 并行分词 2.7 Tokenize:返回词语在原文的起 ...
自然语言处理课程（二）：Jieba分词的原理及实例操作
上节课,我们学习了自然语言处理课程(一):自然语言处理在网文改编市场的应用,了解了相关的基础理论.接下来,我们将要了解一些具体的.可操作的技术方法. 作为小说爱好者的你,是否有设想过通过一些计算机工具 ...
自然语言处理（2）：Jieba分词
文章目录 1 概述 2 jieba分词用法 2.1 分词 2.2 添加自定义词典 2.3 调整词典 2.4 关键词提取 2.5 词性标注 2.6 并行分词 2.7 Tokenize:返回词语在原文的起 ...
python中正则表达式与jieba分词的使用
这次和大家分享一下主要使用正则表达式匹配文本信息内容的案例,其中还用到了jieba分词词性标注技术,和一些对文本的切片工作.有兴趣学习的可以详细看看,具体内容,应该有点帮助,这是本人一个一个代码敲出来 ...

jieba分词原理 ‖ 词性标注