jieba分词错误_结巴中⽂分词原理分析1
作者：⽩宁超，⼯学硕⼠，现⼯作于四川省计算机研究院，著有《⾃然语⾔处理理论与实战》⼀书，作者：机器学习和⾃然语⾔处理(ID：datathinks)
基于Python的中⽂分词 1  结巴中⽂分词 (1) 结巴中⽂分词的特点
1 ⽀持三种分词模式：
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。
2 ⽀持繁体分词
3 ⽀持⾃定义词典
4 MIT 授权协议
(2) 安装说明：代码对 Python 2/3 均兼容
全⾃动安装：easy_install jieba 或者 pip install jieba / pip3 install jieba
⼿动安装：将 jieba ⽬录放置于当前⽬录或者 site-packages ⽬录
通过 import jieba 来引⽤
算法：
基于前缀词典实现⾼效的词图扫描，⽣成句⼦中汉字所有可能成词情况所构成的有向⽆环图 (DAG)
采⽤了动态规划查最⼤概率路径, 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
(3) 主要分词功能
jieba.cut ⽅法接受三个输⼊参数: 需要分词的字符串；cut_all 参数⽤来控制是否采⽤全模式；HMM 参数⽤来控制是否使⽤ HMM 模型
jieba.cut_for_search ⽅法接受两个参数：需要分词的字符串；是否使⽤ HMM 模型。该⽅法适合⽤于搜索引擎构建倒排索引的分词，粒度⽐较细
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输⼊ GBK 字符串，可能⽆法预料地错误解码成UTF-8
jieba.cut 以及 jieba.cut_for_search 返回的结构都是⼀个可迭代的 generator，可以使⽤ for 循环来获得分词后得到的每⼀个词语(unicode)
jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建⾃定义分词器，可⽤于同时使⽤不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。
# encoding=utf-8
import jieba
seg_list = jieba.cut("我来到北京清华⼤学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式
seg_list = jieba.cut("我来到北京清华⼤学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式
seg_list = jieba.cut("他来到了⽹易杭研⼤厦")  # 默认是精确模式
print(", ".join(seg_list))
weight是什么词性
seg_list = jieba.cut_for_search("⼩明硕⼠毕业于中国科学院计算所，后在⽇本京都⼤学深造")  # 搜索引擎模式
print(", ".join(seg_list))
输出结果
【全模式】: 我/ 来到/ 北京/ 清华/ 清华⼤学/ 华⼤/ ⼤学
【精确模式】: 我/ 来到/ 北京/ 清华⼤学
【新词识别】：他, 来到, 了, ⽹易, 杭研, ⼤厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
【搜索引擎模式】： ⼩明, 硕⼠, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在,
⽇本, 京都, ⼤学, ⽇本京都⼤学，深造
(4) 添加⾃定义词典
载⼊词典：
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
⽤法： jieba.load_userdict(file_name) # file_name 为⽂件类对象或⾃定义词典的路径
词典格式和 ⼀样，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。
词频省略时使⽤⾃动计算的能保证分出该词的词频。
例如：
云计算 5
凱特琳 nz
台中
更改分词器(默认为 jieba.dt)的 tmp_dir 和 cache_file 属性，可分别指定缓存⽂件所在的⽂件夹及其⽂件名，⽤于受限的⽂件系统。
范例：
1. 之前： 李⼩福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / ⽅⾯ / 的 / 专家 /
2. 加载⾃定义词库后：　李⼩福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / ⽅⾯ / 的 / 专家 /
⾃定义词典：
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
⽤法⽰例：
#encoding=utf-8
from __future__ import print_function, unicode_literals
import sys
sys.path.append("../")
import jieba
jieba.load_userdict("")
import jieba.posseg as pseg
jieba.add_word('⽯墨烯')
jieba.add_word('凱特琳')
jieba.del_word('⾃定义词')
test_sent = (
"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\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))
print("="*40)
result = pseg.cut(test_sent)
for w in result:
print(w.word, "/", w.flag, ", ", end=' ')
print("\n" + "="*40)
terms = jieba.cut('easy_install is great')
print('/'.join(terms))
terms = jieba.cut('python 的正则表达式是好⽤的')
print('/'.join(terms))
print("="*40)
# test frequency tune
testlist = [
('今天天⽓不错', ('今天', '天⽓')),
('如果放到post中将出错。', ('中', '将')),
('我们中出了⼀个叛徒', ('中', '出')),
]
for sent, seg in testlist:
print('/'.join(jieba.cut(sent, HMM=False)))
word = ''.join(seg)
print('%s Before: %s, After: %s' % (word, _FREQ(word), jieba.suggest_freq(seg, True)))    print('/'.join(jieba.cut(sent, HMM=False)))
print("-"*40)　
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。
代码⽰例：
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中将/出错/。
>>> jieba.suggest_freq(('中', '将'), True)
494
>>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中/将/出错/。
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
>>> jieba.suggest_freq('台中', True)
69
>>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台中/」/正确/应该/不会/被/切开