"结巴"中文分词的R语言版本：jiebaR

jopen 9年前

"结巴"中文分词的R语言版本，支持最大概率法（Maximum Probability），隐式马尔科夫模型（Hidden Markov Model），索引模型（QuerySegment），混合模型（MixSegment），共四种分词模式，同时有词性标注，关键词提取，文本Simhash相似度比较等功能。项目使用了Rcpp和CppJieba进行开发。

特性

  • 支持 Windows , Linux操作系统（Mac 暂未测试）。

  • 通过Rcpp Modules实现同时加载多个分词系统,可以分别使用不同的分词模式和词库。

  • 支持多种分词模式、中文姓名识别、关键词提取、词性标注以及文本Simhash相似度比较等功能。

  • 支持加载自定义用户词库，设置词频、词性。

  • 同时支持简体中文、繁体中文分词。

  • 支持自动判断编码模式。

  • 比原"结巴"中文分词速度快，是其他R分词包的5-20倍。

  • 安装简单，无需复杂设置。

  • 可以通过Rpy2，jvmr等被其他语言调用。

  • 基于MIT协议。

安装

目前该包还没有发布到CRAN，可以通过Github进行安装。Windows系统需要安装 Rtools，或者可以下载二进制包，进行安装：

library(devtools)  install_github("qinwf/jiebaR")

使用示例

分词

jiebaR提供了四种分词模式，可以通过jiebar()来初始化分词引擎，使用segment()进行分词。

library(jiebaR)  ##  接受默认参数，建立分词引擎   mixseg = worker()  ##  相当于：  ##       jiebar( type = "mix", dict = "inst/dict/jieba.dict.utf8",  ##               hmm  = "inst/dict/hmm_model.utf8",  ### HMM模型数据  ##               user = "inst/dict/user.dict.utf8") ### 用户自定义词库  mixseg <= "江州市长江大桥参加了长江大桥的通车仪式"  ### <= 分词运算符  ## 相当于 segment( "江州市长江大桥参加了长江大桥的通车仪式" , mixseg )
[1] "江州"     "市长"     "江大桥"   "参加"     "了"       "长江大桥"  [7] "的"       "通车"     "仪式"

支持对文件进行分词：

mixseg <= "./temp.dat"  ### 自动判断输入文件编码模式，默认文件输出在同目录下。  ## segment( "./temp.dat" , mixseg )

在加载分词引擎时，可以自定义词库路径，同时可以启动不同的引擎：

最大概率法（MPSegment），负责根据Trie树构建有向无环图和进行动态规划算法，是分词算法的核心。

隐式马尔科夫模型（HMMSegment）是根据基于人民日报等语料库构建的HMM模型来进行分词，主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态。 HMM模型由dict/hmm_model.utf8提供。分词算法即viterbi算法。

混合模型（MixSegment）是四个分词引擎里面分词效果较好的类，结它合使用最大概率法和隐式马尔科夫模型。

索引模型（QuerySegment）先使用混合模型进行切词，再对于切出来的较长的词，枚举句子中所有可能成词的情况，找出词库里存在。

mixseg2 = worker(type  = "mix", dict = "dict/jieba.dict.utf8",                   hmm   = "dict/hmm_model.utf8",                     user  = "dict/test.dict.utf8",                   detect=T,      symbol = F,                   lines = 1e+05, output = NULL                   )   mixseg2   ### 输出worker的设置
Worker Type:  Mix Segment  Detect Encoding :  TRUE  Default Encoding:  UTF-8  Keep Symbols    :  FALSE  Output Path     :    Write File      :  TRUE  Max Read Lines  :  1e+05  Fixed Model Components:    $dict  [1] "dict/jieba.dict.utf8"  $hmm  [1] "dict/hmm_model.utf8"  $user  [1] "dict/test.dict.utf8"  $detect $encoding $symbol $output $write $lines can be reset.

可以通过R语言常用的 $符号重设一些worker的参数设置 , 如 WorkerName$symbol = T，在输出中保留标点符号。一些参数在初始化的时候已经确定，无法修改, 可以通过WorkerName$PrivateVarible来获得这些信息。

mixseg$encoding  mixseg$detect = F

可以自定义用户词库，推荐使用深蓝词库转换构建分词词库，它可以快速地将搜狗细胞词库等输入法词库转换为jiebaR的词库格式。

ShowDictPath()  ### 显示词典路径  EditDict()      ### 编辑用户词典  ?EditDict()     ### 打开帮助系统

词性标注

可以使用 <=.tagger 或者 tag 来进行分词和词性标注, 词性标注使用混合模型模型分词，标注采用和 ictclas 兼容的标记法。

words = "我爱北京天安门"  tagger = worker("tag")  tagger <= words
     r        v       ns       ns       "我"     "爱"   "北京" "天安门"

关键词提取

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径,使用方法与分词类似。topn参数为关键词的个数。

keys = worker("keywords", topn = 1)  keys <= "我爱北京天安门"  keys <= "一个文件路径.txt"
  8.9954   "天安门"

Simhash 与海明距离

对中文文档计算出对应的simhash值。simhash是谷歌用来进行文本去重的算法，现在广泛应用在文本处理中。Simhash引擎先进行分词和关键词提取，后计算Simhash值和海明距离。

 words = "hello world!"   simhasher = worker("simhash",topn=2)   simhasher <= "江州市长江大桥参加了长江大桥的通车仪式"
$simhash  [1] "12882166450308878002"  $keyword     22.3853    8.69667   "长江大桥"     "江州"
$distance  [1] "23"  $lhs     22.3853    8.69667   "长江大桥"     "江州"   $rhs  11.7392 11.7392   "hello" "world"

计划支持

  • 支持 Windows , Linux , Mac 操作系统并行分词。

  • 简单的自然语言统计分析功能。

项目主页：http://www.open-open.com/lib/view/home/1415086153728