NLP自然语言处理结巴(Jieba)分词组件封装开源

山顶小雪球

---

简单介绍

结巴(Jieba)是一个轻量化的中文分词组件。采用了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。

相关项目

传送门	简介
Jieba	Jieba中文分词Python原版本
CppJieba	CppJieba中文分词C++版本

特点

支持四种分词模式

• 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
• 自定义长度模式，自定义分词最大长度，适合灵活场景。

主要功能

• Jieba.Cut()方法接受两个参数

  [文本型] sentence 待分词的字符串
  [逻辑型] hmm 是否使用 HMM 模型处理未登录词

  调试输出 (Jieba.Cut (“我来到北京清华大学，台中”, 假))
  输出结果：我/来到/北京/清华大学/，/台/中

• Jieba.CutAll()方法接受一个参数

  [文本型] sentence 待分词的字符串

  调试输出 (Jieba.CutAll (“我来到北京清华大学，台中”))
  输出结果：我/来到/北京/清华/清华大学/华大/大学/，/台中

• Jieba.CutHMM()方法接受一个参数

  [文本型] sentence 待分词的字符串

  调试输出 (Jieba.CutHMM (“我来到北京清华大学，台中”))
  输出结果：我来/到/北京/清华大学/，/台中

• Jieba.CutForSearch()方法接受两个参数

  [文本型] sentence 待分词的字符串
  [逻辑型] hmm 是否使用 HMM 模型处理未登录词

  调试输出 (Jieba.CutForSearch (“我来到北京清华大学，台中”))
  输出结果：我/来到/北京/清华/华大/大学/清华大学/，/台中

• Jieba.CutSmall()方法接受两个参数

  [文本型] sentence 待分词的字符串
  [整数型] max_word_len 最大词长限制

  调试输出 (Jieba.CutSmall (“我来到北京清华大学，台中”, 1))
  输出结果：我/来/到/北/京/清/华/大/学/，/台/中

自定义用户词典

自定义词典示例请看dict/user.dict.utf8

没有使用自定义用户词典时的结果:

令狐冲/是/云/计算/行业/的/专家

使用自定义用户词典时的结果:

令狐冲/是/云计算/行业/的/专家

我的碎碎念

这两天在做本地的全文搜索引擎(搜搜文章，文件之类的)，在写倒排索引的时候需要用到分词功能就顺便发出来了。以我能跑就行的特点(懒)如果不出意外的话后续不会有什么更新了。

项目下载

游客，如果您要查看本帖隐藏内容请回复

wjmhao2004

不错，看看

弑神1990

感谢分享

Javatym

感谢分享

帝释天2017

看看怎么样

guangye1

结巴分词很厉害

艺压当行人

很有用

yefeili1690

        感谢分享，很给力！~

784326742

哦豁  发现不可识别的[编译条件信息段]，其数据已披跳过！

784326742

匹配速度如何