“结巴”中文分词的R语言版本:jiebaR
“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。
转载请注明:数据分析 » “结巴”中文分词的R语言版本:jiebaR