没有对象也要谈恋爱之女朋友的情绪监控 之 分词
2018-10-23 08:10
831 查看
Blog : Antzuhl
Github : CasterWx
😚😚 通过女朋友的一句话分析她的心情 。
Analyze her mood through her girlfriend's words .
通过一句话分析女朋友的情绪变化,最重要的就是对这句话先进行词法分析,将话中的每一个关键词分离开来,然后分析关键词。
关键词我们可以以情绪值来进行估算最终情绪,然后总体一个基址,每次都在此上加减。
第一章 分词
1、JieBa库
“结巴”中文分词:做最好的 Python 中文分词组件
"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.
2、特点
- 支持三种分词模式: 精确模式,试图将句子最精确地切开,适合文本分析;
- 全模式,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,适合用于搜索引擎分词。
3、算法
- 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 (DAG)
- 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
4、主要功能
1) 分词
jieba.cut
方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用 HMM 模型jieba.cut_for_search
方法接受两个参数:需要分词的字符串;是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细- 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意:不建议直接输入 GBK 字符串,可能无法预料地错误解码成 UTF-8
jieba.cut
以及jieba.cut_for_search
返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode),或者用jieba.lcut
以及jieba.lcut_for_search
直接返回 listjieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定义分词器,可用于同时使用不同词典。jieba.dt
为默认分词器,所有全局分词相关函数都是该分词器的映射。
seg_list = jieba.cut("我要有女朋友了", cut_all=True) print("全模式: " + "/ ".join(seg_list)) # 全模式 seg_list = jieba.cut("我要有女朋友了", cut_all=False) print("默认模式: " + "/ ".join(seg_list)) # 默认模式 seg_list = jieba.cut("我要有女朋友了") print(", ".join(seg_list)) seg_list = jieba.cut_for_search("我要有女朋友了,然后我要打爆室友的狗头") # 搜索引擎模式 print("搜索引擎模式: "+", ".join(seg_list))
output :
全模式: 我/ 要/ 有/ 女朋友/ 朋友/ 了 默认模式: 我要/ 有/ 女朋友/ 了 我要, 有, 女朋友, 了 搜索引擎模式: 我要, 有, 朋友, 女朋友, 了, ,, 然后, 我要, 打爆, 室友, 的, 狗头
2) 添加自定义词典
载入词典
- 开发者可以指定自己自定义的词典,以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力,但是自行添加新词可以保证更高的正确率
- 用法: jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
- 词典格式和
dict.txt
一样,一个词占一行;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。file_name
若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。 - 词频省略时使用自动计算的能保证分出该词的词频。
print('/'.join(jieba.cut('这个东梨会不会被分开呢。', HMM=False))) # 添加字典 print(jieba.suggest_freq(('东梨'), True)) # 添加一个词语'东梨' print('/'.join(jieba.cut('这个东梨会不会被分开呢。', HMM=False)))
output :
这个/东/梨/会/不会/被/分开/呢/。 这个/东梨/会/不会/被/分开/呢/。
调整词典
- 使用
add_word(word, freq=None, tag=None)
和del_word(word)
可在程序中动态修改词典。 使用
suggest_freq(segment, tune=True)
可调节单个词语的词频,使其能(或不能)被分出来。注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
3) 关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
- jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=()) sentence 为待提取的文本
- topK 为返回几个 TF/IDF 权重最大的关键词,默认值为 20
- withWeight 为是否一并返回关键词权重值,默认值为 False
- allowPOS 仅包括指定词性的词,默认值为空,即不筛选
s = "操作系统(Operation System,简称OS)是管理计算机硬件与软件资源的程序,是计算机系统的内核与基石;操作系统本质上是运行在计算机上的软件程序 ;为用户提供一个与系统交互的操作界面 ;操作系统分内核与外壳(我们可以把外壳理解成围绕着内核的应用程序,而内核就是能操作硬件的程序)。" for x, w in jieba.analyse.extract_tags(s, withWeight=True): print('%s %s' % (x, w)) print('-'*40) print(' TextRank') print('-'*40) for x, w in jieba.analyse.textrank(s, withWeight=True): print('%s %s' % (x, w))
output :
内核 1.0625279118105262 操作系统 0.7315222629276317 外壳 0.4645002019336842 软件程序 0.36580730663157895 软件资源 0.34756659135263157 程序 0.3333060550794737 操作界面 0.32345367735526315 Operation 0.31459914481315787 System 0.31459914481315787 OS 0.31459914481315787 计算机硬件 0.2800679240526316 应用程序 0.2763021123763158 计算机系统 0.23982068182078944 交互 0.23731251919447366 基石 0.23595272944342105 硬件 0.22168984473789474 本质 0.18271527055526315 用户 0.1795351598005263 计算机 0.1790732744968421 围绕 0.177282393885 ---------------------------------------- TextRank ---------------------------------------- 内核 1.0 程序 0.5362199524590612 系统 0.48948949335129555 提供 0.48602227553244165 围绕 0.4446670737747918 运行 0.4225011310851474 管理 0.4151898395341863 基石 0.4131936048253403 计算机系统 0.38302557644090945 硬件 0.36775003601316436 操作 0.36615155530109056 本质 0.3554627436547271 计算机硬件 0.3491604047032015 理解 0.3433887505596043 外壳 0.3419635842574655 应用程序 0.33616306371021853 用户 0.33122514947879544 交互 0.3287196036788538 计算机 0.23122054865622482 简称 0.22777433887730136
4) 词性标注
jieba.posseg.POSTokenizer(tokenizer=None)
新建自定义分词器,tokenizer
参数可指定内部使用的jieba.Tokenizer
分词器。jieba.posseg.dt
为默认词性标注分词器。- 标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
- 用法示例
words = jieba.posseg.cut("我爱北京天安门") for word, flag in words: print('%s %s' % (word, flag)) print('='*40)
output :
我 r 爱 v 北京 ns 天安门 ns
5) 并行分词
- 原理:将目标文本按行分隔后,把各行文本分配到多个 Python 进程并行分词,然后归并结果,从而获得分词速度的可观提升
- 基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows
- 用法:
jieba.enable_parallel(4)
# 开启并行分词模式,参数为并行进程数 jieba.disable_parallel()
# 关闭并行分词模式
6) Tokenize:返回词语在原文的起止位置
- 注意,输入参数只接受 unicode
- 默认模式
print(' 默认模式') print('-'*40) result = jieba.tokenize('永和服装饰品有限公司') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2])) print('-'*40) print(' 搜索模式') print('-'*40) result = jieba.tokenize('永和服装饰品有限公司', mode='search') for tk in result: print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
output :
word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10 ---------------------------------------- 搜索模式 ---------------------------------------- word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限 start: 6 end:8 word 公司 start: 8 end:10 word 有限公司 start: 6 end:10
5、一个完整的分词可运行实例
目录结构
jieba是我们要导入的第三方库,在项目中我直接把它放在了里面。
│ run.py │ └─jieba │ dict.txt │ _compat.py │ __init__.py │ __main__.py │ ├─analyse │ │ analyzer.py │ │ idf.txt │ │ textrank.py │ │ tfidf.py │ │ __init__.py │ │ │ └─__pycache__ │ analyzer.cpython-37.pyc │ textrank.cpython-37.pyc │ tfidf.cpython-37.pyc │ __init__.cpython-37.pyc │ ├─finalseg │ │ prob_emit.p │ │ prob_emit.py │ │ prob_start.p │ │ prob_start.py │ │ prob_trans.p │ │ prob_trans.py │ │ __init__.py │ │ │ └─__pycache__ │ prob_emit.cpython-37.pyc │ prob_start.cpython-37.pyc │ prob_trans.cpython-37.pyc │ __init__.cpython-37.pyc │ ├─posseg │ │ char_state_tab.p │ │ char_state_tab.py │ │ prob_emit.p │ │ prob_emit.py │ │ prob_start.p │ │ prob_start.py │ │ prob_trans.p │ │ prob_trans.py │ │ viterbi.py │ │ __init__.py │ │ │ └─__pycache__ │ char_state_tab.cpython-37.pyc │ prob_emit.cpython-37.pyc │ prob_start.cpython-37.pyc │ prob_trans.cpython-37.pyc │ viterbi.cpython-37.pyc │ __init__.cpython-37.pyc │ └─__pycache__ _compat.cpython-37.pyc __init__.cpython-37.pyc
run.py中编写代码,并且调用jieba库实现分词。
run.py
#encoding=utf-8 from __future__ import unicode_literals import jieba if __name__=="__main__": ch = input() seg_list = jieba.cut(str(ch)) print(", ".join(seg_list))
在此处输入"我马上就要有女朋友了"。
即可得到输出结果如下。
我, 马上, 就要, 有, 女朋友, 了
6、代码地址
Github : [https://github.com/CasterWx/python-girlfriend-mood](https://github.com/CasterWx/python-girlfriend-mood)
相关文章推荐
- shell 脚本监控程序是否正在执行, 如果没有执行, 则自动启动该进程
- 使用.NET FileSystemWatcher对象监控C#目录改变
- 在map中一次就能找到一个对象,有返回,没有插入
- get set 中 快捷键生成的get方法中 renturn 没有 this.对象 中的this 解决方法
- String s = "Hello";s = s + " world!";这两行代码执行后,原始的String对象中的内容到底变了没有?
- 没有SQL Profiler,如何监控sql的执行
- C/C++相对论——C++中为什么要使用异常(跳转语句会造成对象没有被析构)
- 面向对象最重要的是“抽象”,三层最重要的也是“抽象”,没有抽象就不是真正的面向对象、三层。
- 创建对象挑选时出现了一个错误出现了一个没有描述的错误
- 释放只有声明没有定义的对象,都是耍流氓
- SQL SERVER 属性OWNER不可用于数据库xxx。该对象可能没有此属性,也可能是访问权限不足而无法检索。
- 深入理解JavaScript系列(9):根本没有“JSON对象”这回事!
- AngularJS 监控对象属性:$watch和$digest
- js 根本没有“JSON对象”这回事! JSON对象——转
- Ubuntu下安装android studio的时候,无法进入图形界面--/usr/lib/jdk1.8.0_60/jre/lib/i386/libawt_xawt.so: libXtst.so.6: 无法打开共享对象文件: 没有那个文件或目录
- //手机网页监控所有对象按下的样式
- 关于angular js_$watch监控属性和对象详解
- 【原创】有关Silverlight中自动生成的类中 没有WCF层edmx模型新加入的对象 原因分析。
- 如果你以前没有使用过RegExp对象,你需要下载VBScript 5.0 DLL
- Spring的ApplicationContext加载在没有继承的地方加载持久化对象