【NLP】文本处理的基本方法【jieba分词、命名实体、词性标注】

🍃作者介绍：双非本科大三网络工程专业在读，阿里云专家博主，专注于Java领域学习，擅长web应用开发、数据结构和算法，初步涉猎人工智能和前端开发。
🦅个人主页：@逐梦苍穹
📕所属专栏：人工智能
🌻gitee地址：xzl的人工智能代码仓库
✈ 您的一键三连，是我创作的最大动力🌹

1、本章目标

• 了解什么是分词, 词性标注, 命名实体识别及其它们的作用.
• 掌握分词, 词性标注, 命名实体识别流行工具的使用方法.

2、什么是分词

分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。
我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，
而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符,
分词过程就是找到这样分界符的过程.
分词的作用：

词作为语言语义理解的最小单元, 是人类理解文本语言的基础
因此也是AI解决NLP领域高阶任务，如自动问答、机器翻译、文本生成的重要基础环节。

流行中文分词工具jieba：

愿景："结巴"中文分词，做最好的 Python 中文分词组件

jieba的特性：

1. 支持多种分词模式
   1. 精确模式
   2. 全模式
   3. 搜索引擎模式
2. 支持中文繁体分词
3. 支持用户自定义词典

3、jieba的使用

3.1、精确模式分词

试图将句子最精确地切开，适合文本分析：

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/8/9 2:09
import jiebacontent = "无线电法国别研究"
jieba.cut(content, cut_all=False)  # cut_all默认为False# 将返回一个生成器对象: <generator object Tokenizer.cut at 0x7f065c19e318># 若需直接返回列表内容, 使用jieba.lcut即可
words = jieba.lcut(content, cut_all=False)
print(words)  # 结果: ['无线电', '法国', '别', '研究']

输出：

3.2、全模式分词

把句子中所有的可以成词的词语都扫描出来，速度非常快，但是不能消除歧义
代码和上面的精确模式类似，只不过"cut_all=True"：

输出：

3.3、搜索引擎模式分词

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。

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/8/9 2:14
import jiebacontent = "无线电法国别研究"
jieba.cut_for_search(content)# 将返回一个生成器对象: <generator object Tokenizer.cut at 0x7f065c19e318># 若需直接返回列表内容, 使用jieba.lcut_for_search即可
words = jieba.lcut_for_search(content)
# 对'无线电'等较长词汇都进行了再次分词.
print(words)  # ['无线', '无线电', '法国', '别', '研究']

输出：

3.4、中文繁体分词

针对中国香港、中国台湾地区的繁体文本进行分词：

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/8/9 2:16
import jiebacontent = "煩惱即是菩提，我暫且不提"
words = jieba.lcut(content)
print(words)  # ['煩惱', '即', '是', '菩提', '，', '我', '暫且', '不', '提']

输出：

3.5、使用用户自定义词典

添加自定义词典后，jieba能够准确识别词典中出现的词汇，提升整体的识别准确率
词典格式：

1. 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
2. 词典样式如下, 具体词性含义请参照文末的 jieba词性对照表，将该词典存为userdict.txt，方便之后加载使用。

userdict.txt：

解释如下：

代码：

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/8/9 2:29
import jiebawords = jieba.lcut("八一双鹿更名为八一南昌篮球队！")
# 没有使用用户自定义词典前的结果:
print(words)  # ['八', '一双', '鹿', '更名', '为', '八一', '南昌', '篮球队', '！']jieba.load_userdict("userdict.txt")
words = jieba.lcut("八一双鹿更名为八一南昌篮球队！")
# 使用了用户自定义词典后的结果:
print(words)  # ['八一双鹿', '更名', '为', '八一', '南昌', '篮球队', '！']

运行结果：

4、什么是命名实体识别

命名实体：通常我们将人名、地名、机构名等专有名词统称命名实体.

如：周杰伦、黑山县、孔子学院、24辊方钢矫直机.

顾名思义：命名实体识别(Named Entity Recognition，简称NER)就是识别出一段文本中可能存在的命名实体
举个例子：

鲁迅, 浙江绍兴人, 五四新文化运动的重要参与者, 代表作朝花夕拾.
==>
鲁迅(人名) / 浙江绍兴(地名)人 / 五四新文化运动(专有名词) / 重要参与者 / 代表作 / 朝花夕拾(专有名词)

命名实体识别的作用：

同词汇一样，命名实体也是人类理解文本的基础单元，
因此也是AI解决NLP领域高阶任务的重要基础环节。

5、什么是词性标注

词性：语言中对词的一种分类方法，以语法特征为主要依据、兼顾词汇意义对词进行划分的结果

常见的词性有14种，如：名词、动词、形容词等

顾名思义：词性标注(Part-Of-Speech tagging, 简称POS)就是标注出一段文本中每个词汇的词性
举个例子：

我爱自然语言处理
==>
我/rr, 爱/v, 自然语言/n, 处理/vn

解释：

1. rr: 人称代词
2. v: 动词
3. n: 名词
4. vn: 动名词

词性标注的作用： 词性标注以分词为基础，是对文本语言的另一个角度的理解，因此也常常成为AI解决NLP领域高阶任务的重要基础环节.
使用jieba进行中文词性标注：

# -*- coding: utf-8 -*-
# @Author: CSDN@逐梦苍穹
# @Time: 2024/8/9 2:38
import jieba.posseg as pseg  # 专门用于分词和词性标注# 结果返回一个装有pair元组的列表, 每个pair元组中分别是词汇及其对应的词性, 具体词性含义请参照[附录: jieba词性对照表]()
words = pseg.lcut("我爱北京天安门")
print(words)  # [pair('我', 'r'), pair('爱', 'v'), pair('北京', 'ns'), pair('天安门', 'ns')]

输出：

6、小结

1. 学习了什么是分词：
   1. 分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符, 分词过程就是找到这样分界符的过程.
2. 学习了分词的作用：
   1. 词作为语言语义理解的最小单元, 是人类理解文本语言的基础. 因此也是AI解决NLP领域高阶任务, 如自动问答, 机器翻译, 文本生成的重要基础环节.
3. 学习了流行中文分词工具jieba：
   1. 支持多种分词模式：精确模式、全模式、搜索引擎模式
   2. 支持中文繁体分词
   3. 支持用户自定义词典
4. 学习了jieba工具的安装和分词使用
5. 学习了什么是命名实体识别：
   1. 命名实体：通常我们将人名、地名、机构名等专有名词统称命名实体。
   2. 顾名思义，命名实体识别(Named Entity Recognition，简称NER)就是识别出一段文本中可能存在的命名实体。
6. 命名实体识别的作用：
   1. 同词汇一样，命名实体也是人类理解文本的基础单元，因此是AI解决NLP领域高阶任务的重要基础环节
7. 学习了什么是词性标注：
   1. 词性：语言中对词的一种分类方法，以语法特征为主要依据、兼顾词汇意义对词进行划分的结果, 常见的词性有14种，如：名词、动词、形容词等
   2. 顾名思义，词性标注(Part-Of-Speech tagging, 简称POS)就是标注出一段文本中每个词汇的词性
8. 学习了词性标注的作用：
   1. 词性标注以分词为基础，是对文本语言的另一个角度的理解，因此也常常成为AI解决NLP领域高阶任务的重要基础环节
9. 学习了使用jieba进行词性标注

7、jieba词性对照表⭐

- a 形容词  - ad 副形词  - ag 形容词性语素  - an 名形词  
- b 区别词  
- c 连词  
- d 副词  - df   - dg 副语素  
- e 叹词  
- f 方位词  
- g 语素  
- h 前接成分  
- i 成语 
- j 简称略称  
- k 后接成分  
- l 习用语  
- m 数词  - mg - mq 数量词  
- n 名词  - ng 名词性语素  - nr 人名  - nrfg    - nrt  - ns 地名  - nt 机构团体名  - nz 其他专名  
- o 拟声词  
- p 介词  
- q 量词  
- r 代词  - rg 代词性语素  - rr 人称代词  - rz 指示代词  
- s 处所词  
- t 时间词  - tg 时语素  
- u 助词  - ud 结构助词 得- ug 时态助词- uj 结构助词 的- ul 时态助词 了- uv 结构助词 地- uz 时态助词 着
- v 动词  - vd 副动词- vg 动词性语素  - vi 不及物动词  - vn 名动词  - vq 
- x 非语素词  
- y 语气词  
- z 状态词  - zg