结巴分词支持以下3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。将句子中所有的可能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,适用于搜索引擎分词。
结巴分词使用的算法是基于统计的分词方法,主要有如下3种方法:
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
采用了动态规划查找最大概率路径,找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
1、安装【jieba】库【pip install jieba】
2、jieba精确模式分词使用lcut()函数,类似cut()函数,其参数和cut()函数是一致的,只不过返回结果是列表而不是生成器,默认使用精确模式。
默认模式。句子精确地切开,每个字符只会出席在一个词中,适合文本分析;
3、全模式【cut_all=True】
把句子中所有词都扫描出来, 速度非常快,有可能一个字同时分在多个词
4、搜索引擎模式【lcut_for_search()】
在精确模式的基础上,对长度大于2的词再次切分,召回当中长度为2或者3的词,从而提高召回率,常用于搜索引擎。
希望对大家有所帮助。