jieba 源码解析

avqz2354 3年前
   <h2>jieba 源码解析</h2>    <h2>阅读动机</h2>    <p><a href="/misc/goto?guid=4958973151014774600" rel="nofollow,noindex">jieba分词</a> 是Python 里面几个比较流行的中文分词工具之一。为了理解分词工具的工作原理,以及实现细节对jieba进行了详细的阅读。</p>    <p>读代码之前,我有几个问题是这样的:</p>    <ul>     <li>分词工具的实现都有哪几个步骤?</li>     <li>结巴分词的文档说是使用了 <a href="/misc/goto?guid=4959717070349502537" rel="nofollow,noindex">HMM模型</a> ,但是HMM 模型是如何运用在分词工具中的?,以及模型是如何产生的?</li>     <li>几乎所有的分词工具都支持用户添加词库,但是用户词库到底在分词过程中扮演什么角色?</li>    </ul>    <h2><strong>简介</strong></h2>    <pre>  <code class="language-python">jieba 分词支持三种分词模式,官方文档给出了如下的Example    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))    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))</code></pre>    <pre>  <code class="language-python">考虑到文章篇幅的限制,我会详细解读默认模式也就是</code></pre>    <pre>  <code class="language-python">jieba.cut``</code></pre>    <p>方法的所有实现。 阅读过程中会涉及一些算法原理,本文不做详细解释。</p>    <h2><strong>宏观逻辑</strong></h2>    <p style="text-align:center"><img src="https://simg.open-open.com/show/bc820236896efb01f09355379558ad35.png"></p>    <p>上面面的流程图很粗糙,但是很好的说明了大概的步骤。 首先使用概率无向图,获得最大概率路径.概率无向图的构建完全依赖于字典,最大概率路径求解也是依赖字典中的词频。 最后使用HMM模型来解决未登录词(Out Of Vocabulary) ,所以在整个过程如果没有模型也是可以的,只要你有一个很好的词典。最大概率路径的求解还有很多方法,记得 <a href="/misc/goto?guid=4959629283739044706" rel="nofollow,noindex">HanLP</a> 的求解就有实现最短路径。</p>    <h2><strong>粗分</strong></h2>    <p>首先会使用正则将文本切分,正则什么样?就跟现则的是默认模式还是全模式。正则如下:</p>    <pre>  <code class="language-python">re_han_default = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._]+)", re.U)  re_han_cut_all = re.compile("([\u4E00-\u9FD5]+)", re.U)</code></pre>    <pre>  <code class="language-python">到底有什么区别:  我写了个测试:  ``</code></pre>    <p>test <em>str = u'我在重庆abc,他也在重庆? 1234你在重庆吗' print (re</em> han <em>default.split(test</em> str)) print (re <em>han</em> cut <em>all.split(test</em></p>    <p>str))</p>    <pre>  <code class="language-python">输出:</code></pre>    <pre>  <code class="language-python">['', '我在重庆abc', ',', '他也在重庆', '? ', '1234你在重庆吗', '']  ['', '我在重庆', 'abc,', '他也在重庆', '? 1234', '你在重庆吗', '']  ``</code></pre>    <p>上面输出的list 里面每一个被成为block。</p>    <h2><strong>细分</strong></h2>    <p>对粗分产生的blok ‘abc’这样的不能被</p>    <pre>  <code class="language-python">re.han</code></pre>    <h3><strong>DAG构建</strong></h3>    <p>细分的第一步是构建 DAG 即有向无环图。构建的核心代码如下:</p>    <pre>  <code class="language-python">def get_DAG(self, sentence):  self.check_initialized() # 初始化,加载词典  DAG = {}  N = len(sentence)  for k in xrange(N):  tmplist = []  i = k  frag = sentence[k]  while i < N and frag in self.FREQ:  if self.FREQ[frag]:  tmplist.append(i)  i += 1  frag = sentence[k:i + 1]  if not tmplist:  tmplist.append(k)  DAG[k] = tmplist  return DAG</code></pre>    <pre>  <code class="language-python">怎么个意思呢:  举个例子  *我来到北京清华大学*  产生的DAG 结果如下:  ``</code></pre>    <p>{0: [0], 1: [1, 2], 2: [2], 3: [3, 4], 4: [4], 5: [5, 6, 8], 6: [6, 7], 7: [7, 8], 8: [8]}</p>    <pre>  <code class="language-python">使用dict 来存储图数据结构。字典中的key 是没个字对应句子的index,后面的value 是一个list就是可达的路径。比如</code></pre>    <pre>  <code class="language-python">{1:[1,2]}``</code></pre>    <p>意思就是“来”和“来到”这两个词在词典中存在。其他的类推。</p>    <p>图的产生依赖于</p>    <pre>  <code class="language-python">self.FREQ</code></pre>    <h3><strong>最大概率路径求解</strong></h3>    <p>有了上面的DAG 下面求是求解最大概率路径。这个问题有很多中方法,jieba 使用的是动态规划。先不解释动态规划是什么,直接看代码,</p>    <pre>  <code class="language-python">def calc(self, sentence, DAG, route):  N = len(sentence)  route[N] = (0, 0)  logtotal = log(self.total)  for idx in xrange(N - 1, -1, -1):  route[idx] = max((log(self.FREQ.get(sentence[idx:x + 1]) or 1) -  logtotal + route[x + 1][0], x) for x in DAG[idx])</code></pre>    <pre>  <code class="language-python">真个过程就上面几行。关键就在max 那一句。这个问题不在这里展开。但是有个小的技巧说下:在对很小的数据进行操作的时候,Python 也是可能向下溢出的,什么意思看下面的例子:  ``</code></pre>    <p>b = 0.0000001 print b**100</p>    <pre>  <code class="language-python">结果会打印</code></pre>    <pre>  <code class="language-python">0.0``</code></pre>    <p>所有有个方法就是取log 。这个方法在很多地方都是有用的。 上面还用到了连个</p>    <pre>  <code class="language-python">tuple</code></pre>    <p>求解的结果如果分词时候参数设置的不适用HMM模型,到这里就结束了。求解结果部分如下:key 同样是对应的index.第二个就代表的是 <em>来到</em> 这个词。</p>    <pre>  <code class="language-python">{0: (-32.587853155857076, 0), 1: (-27.379629658355885, 2),}</code></pre>    <h3><strong>未登录词</strong></h3>    <p>上面的最大概率在一定程度上解决了歧义问题,但是在分词里面还有另外一个问题未登录词问题也叫OOV(Out Of Vocabulary). jieba 使用HMM来识别未登录词。 比如: “我来到誉存科技” 这句话,产生的最大概率路径是</p>    <pre>  <code class="language-python">{0: (-42.29693140266269, 0), 1: (-37.0887079051615, 2), 2: (-33.93639839927486, 2), 3: (-28.257272562332492, 3), 4: (-17.872975353951055, 4), 5: (-8.250710549196151, 6), 6: (-10.881580216048834, 6), 7: (0, 0)}</code></pre>    <h3><strong>HMM</strong></h3>    <p>HMM 隐马模型的定义自己可以去查,就算查完你也不一定能说清楚到底在分词的时候怎么使用的,但是不查绝对不知道。 在分词之前语料会被标注,标注的方式有很多中。其中比较多的是 <strong>BMES</strong> 对应的是B(begin)词的开头,M(Middle)词的中间,E(End)词的结束,S(Single)单个的词 HMM有几个概念,和分词这个具体问题的对应关系如下:</p>    <ul>     <li>状态序列(state sequence):BMES 这些状态</li>     <li>观测序列(observation sequence):就是看到的需要分词的句子,所有的字组成一个序列。</li>    </ul>    <p>现在的问题就是一直观测序列求状态序列。但是第一部我们需要建立HMM模型。 HMM 有三个基本组成: 初始概率状态概率分布A 状态转移矩阵pi 观测概率分布B</p>    <p>如果有了上面三个元素一个HMM模型就是定好了。当然还有HMM模型有很多假设,此处省略。 jieba 是如何得到这三个变量的了。这就是HMM的学习问题 了。在标注好的语料之上。可以使用极大似然估计来估计这三个参数。这里也看到,语料是关键因素,语料的质量决定这三个参数。其实估计的过程不管其中的原理就是一些统计计算。jieba 把这三个元素分别存贮在三个py文件中:</p>    <pre>  <code class="language-python">prob start.py: 初始状态概率    prob trans.py: 状态转移     prob_emit.py: 观测概率分布</code></pre>    <p>看看 prob_start:</p>    <pre>  <code class="language-python">P={'B': -0.26268660809250016,  'E': -3.14e+100,  'M': -3.14e+100,  'S': -1.4652633398537678}</code></pre>    <p><code>-3.14e+100</code>表示的是无穷小。意思就是第一个字不可能是E,或者M.只可能是B,S具体是多少,使用语料中的频率做估计。</p>    <p>另外两个元素用类似的方法在语料之上很容易得到。</p>    <p>有了上面的饮马模型,但是如何通过观测序列求最有可能的状态序列?这时候就到 <a href="/misc/goto?guid=4959717070501780189" rel="nofollow,noindex"> <strong>Viterbi algorithm</strong> </a> 出场了。具体也不展开,反正很简单。</p>    <p>到此jieba 分词的真个过程和部分细节和原理都有了,要实现一个自己的分词工具还会远吗?</p>    <p> </p>    <p> </p>    <p>来自:http://midday.me/article/003023dc3f814bc493b37c50b2a9ee71</p>    <p> </p>