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
- 基于RNN的NLP机器翻译深度学习课程 | 附实战代码
- 再见QQ,再见QQ游戏!
- 年薪70W架构师:全套英语学习资源泄露,手慢则无!(禁止外传)
- Redhat系统下三种主要的软件包安装方法
- HTML5 Shiv #8211; 让该死的IE系列支持HTML5吧
- react 子传参父_react子父传参有几种方法?
- 如何充分利用各大银行免费资源最大限度减少理财成本
- 导入项目报错报错Error:java: Cannot run program “D:/jdk/jdk1.7.0_67/bin/java“
- ios xib 四等分_iOS xib文件根据屏幕等比例缩放的适配
- rm -f .... 恢复
- c语言的算法必须要有输入输出,多选题: 1、计算机算法必须具备输入、输出和________等特性...
- 微信小程序选项卡功能
- 使用Kuboard spray部署Kubernetes 1.24.3 集成Harbor私有镜像库
- LOONGSON派二代 ReWorks系统固化
- mtk处理器强开教程 不收费
- ElasticSearch-索引生命周期(ILM)-日期分割索引
- 用dango框架搭建博客网站
- 控制器(Controller)规范
- xz2p更新android 9,索尼新旗舰XZ2P曝光:首发Android 9.0
- 佳能Canon PIXMA MG4170 打印机驱动
热门文章
- 双缓冲技术(C# GDI)
- 【品牌跨界联合营销方案合集】房地产、快消品、电商平台、短视频跨界品牌联合营销活动方案(20份)
- 无需标注数据、效果超强的保险领域FAQ问答系统来了!
- 如何玩赚Web3.0?去中心化抖音TiTi带你轻松赚取加密奖励!
- 单片机引脚驱动电路(负载开关电路)
- 关于出现Table 'mysql.mysql' doesn't exist的解决办法
- 20计算机考研,很多大学被【撤销专业】!
- 初识Protobuf协议
- Effective Java 枚举和注解 第31条:用实例域代替序数
- 考虑源荷不确定性的微网优化(含matlab程序)