jieba分词用到了DAG分词法。在此介绍其原理：
jieba分词流程图
第一步：分句
通过正则表达式,将文章内容切分,形成一个句子数组,这个比较好理解
第二步：构建DAG词图
下述程序其实是找以每个字为开头的成词位置，即构造出句子的有向无环图(DAG)，就是一个字典。
构建DAG
对句子中的每个字进行分析，从该字右边一位开始,看sentence[k:i+1]这个词语是否在预设的字典中，这个字典保存了常用的词语(和词语的一部分,但权重为0)和其权重。如果有，并且如果字典中的这个词的权值不等于0，那么就将i放到tmplist里，然后i+=1，继续往右看一个字。如果没有这个词，那就停下来，然后移动k，让k=k+1，找下一个字的成词位置。
比如有这样一个句：:'我从海淀区搬到了朝阳区'。一共11个字，通过上面的计算，得到一个字典：<class 'dict'>:：{0: [0], 1: [1], 2: [2, 3, 4], 3: [3, 4], 4: [4], 5: [5, 6], 6: [6], 7: [7], 8: [8, 9, 10], 9: [9], 10: [10]}。这个字典就是DAG。字典的key代表每个字在字符串中的位置，比如，0代表'我'，1代表'从'，value为从字开始能在FREQ中的匹配到的词末尾位置所在的list，比如2对应[2,3,4]，这个表示：'海'(2)/'海淀'(2-3)/'海淀区'(2-4),这三个字符串可以成为词语，我们就得到了所有可以成词的位置了。
第三步：计算全局概率Route ，基于词频最大切分组合
下述程序，对于句子中的每一个字，计算候选位置中，哪个成词概率最大。
动态规划查找最大概率路径。注意的是动态规划的方向是从后往前。
动态规划查找最大概率路径
比如2：[2,3,4]，分别对位置2/3/4进行计算，计算公式：log(词的概率) - 常数 + 下一个字的成词概率
词的概率计算：还是用之前保存了所有常用词的字典(也可以自己定义字典)。
下一个字的成词概率：上一个循环计算出来的，我们要从末尾开始计算，得到的结果作为下一个循环的参数，这样我们就找到了最大成词概率的切分位置。
为什么要加上下一个字的成词概率的呢：因为下一个词的成词概率高的话，我们做出的切分就越正确，越有可能切成两个正确的词语，而不是左边的词语概率高，而右边根本不是一个正确的词语。
运行结果
如上图,蓝色圈中的部分，括号右边代表了成词的位置，括号左边代表当前字到括号右边的字之间组成一个词的概率，比如2，看括号的内容，代表2-4的成词概率是-45，所以'海淀区'切成一个词。
第四步：切分
切分
从头开始，寻找每个位置对应的成词位置，取出来，跳到成词位置的下一个位置。循环。
这样，我们就能得到：0/1/2-4/5/6/7/8-10
具体为：我/从/海淀区/搬/到/了/朝阳区
网友评论