07183332
07183332
4天前 · 1 人阅读

声明:转载请注明出处,谢谢:https://www.jianshu.com/p/25f65bc93038
另外,更多实时更新的个人学习笔记分享,请关注:


知乎https://www.zhihu.com/people/yuquanle/columns
公众号:StudyForAI
CSDN地址http://blog.csdn.net/m0_37306360


没想到坚持学习以及写作总结已经超过半个月了,谢谢大家的关注、点赞、收藏~~

前面谈了nlp的基础技术,我始终觉得,入门学习一件事情最好的方式就是实践,加之现在python如此好用,有越来越多的不错nlp的python库,所以接下来的一段时间里,让我们一起来感受一下这些不错的工具(代码我均使用jupyter编辑)

先来罗列一波:jieba、hanlp、snownlp、Stanfordcorenlp、spacy、pyltp、nltk、Textblob等等…今天从jieba开始吧,let's begin~~

希望能继续得到大家的指点、关注、点赞以及收藏哈哈哈

Jieba简介

“结巴”中文分词,做最好的 Python 中文分词组件。主要功能包括分词、词性标注、关键词抽取等。

Github地址:https://github.com/fxsjy/jieba

Jieba工具Demo

安装:pip install jieba

1.分词

支持三种分词模式(默认是精确模式):

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,但是不能解决歧义;

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。

import jieba
segfull_list = jieba.cut("我爱自然语言处理技术!", cut_all=True)
print("Full Mode: " + " ".join(segfull_list)) # 全模式

segdef_list = jieba.cut("我爱自然语言处理技术!", cut_all=False)
print("Default Mode: " + " ".join(segdef_list)) # 精确模式

seg_search_list = jieba.cut_for_search("我爱自然语言处理技术!") # 搜索引擎模式
print("Search Mode:" + " ".join(seg_search_list))
Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\yuquanle\AppData\Local\Temp\jieba.cache
Loading model cost 0.830 seconds.
Prefix dict has been built succesfully.

Full Mode: 我 爱 自然 自然语言 语言 处理 技术
Default Mode: 我 爱 自然语言 处理 技术 !
Search Mode:我 爱 自然 语言 自然语言 处理 技术 !

2.基于TF-IDF算法关键词抽取

参数:

sentence:待分析文本;

topK:返回几个 TF/IDF 权重最大的关键词,默认值为 20

withWeight: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

import jieba.analyse
sentence = "我爱自然语言处理技术!"
tags = jieba.analyse.extract_tags(sentence, withWeight=True, topK=2, allowPOS=())
print(tags)
[('自然语言', 3.4783139164), ('处理', 1.8036185524533332)]

3.基于 TextRank 算法的关键词抽取

参数:

allowPOS:默认过滤词性

jieba.analyse.textrank(sentence, topK=1, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

['技术']

4.词性标注

import jieba.posseg as pseg
sentence = "我爱自然语言处理!"
words = pseg.cut(sentence)
for word, flag in words:
print('%s %s' % (word, flag))

我 r
爱 v
自然语言 l
处理 v
! x

5.分词(tokenize)

result = jieba.tokenize(u'我爱自然语言处理')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 我 start: 0 end:1
word 爱 start: 1 end:2
word 自然语言 start: 2 end:6
word 处理 start: 6 end:8

另外,代码我已经上传github:https://github.com/yuquanle/StudyForNLP/blob/master/NLPtools/JiebaDemo.ipynb

更多个人笔记请关注:

公众号:StudyForAI(小白人工智能入门学习)

知乎专栏:https://www.zhihu.com/people/yuquanle/columns

收藏 0
自然语言 mode cut print list jieba
评论 ( 0 )