1. jieba-py介绍

备注

“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.

1.1. 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。

• 支持繁体分词

• 支持自定义词典

• MIT 授权协议

1.2. 安装说明

模块支持 Python 3.10以上版本． 安装方式： python3 -m pip install jieba

安装后， 通过 import jieba 来引用

import jieba

print(jieba.__version__)

1.3. 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

这个程序使用的是传统的HMM（隐马尔可夫模型）+ BMES标注方法：

优点：

• 经典可靠：HMM 是分词领域的经典算法，jieba 的核心就是基于此

• 训练速度快：只需要统计计数，计算简单

• 资源占用少：模型文件小，推理快速

• 无监督友好：适合未登录词识别

缺点：

• 独立性假设过强：HMM 假设当前状态只依赖前一个状态，无法捕捉长距离依赖

• 特征稀疏：只能利用局部信息，无法利用上下文语义

• 准确率有限：通常在85-90%左右，难以突破瓶颈