“結巴”分詞是壹個Python 中文分詞組件，參見 /fxsjy/jieba
可以對中文文本進行 分詞、詞性標註、關鍵詞抽取 等功能，並且支持自定義詞典。
本文包括以下內容：
1、jieba分詞包的 安裝
2、jieba分詞的 使用教程
3、jieba分詞的 工作原理與工作流程
4、jieba分詞所涉及到的 HMM、TextRank、TF-IDF等算法介紹
可以直接使用pip來進行安裝：
sudo pip install jieba
或者
sudo pip3 install jieba
關鍵詞抽取有兩種算法，基於TF-IDF和基於TextRank：
jieba分詞有三種不同的分詞模式： 精確模式、全模式和搜索引擎模式 ：
對應的，函數前加l即是對應得到list結果的函數：
精確模式是最常用的分詞方法，全模式會將句子中所有可能的詞都列舉出來，搜索引擎模式則適用於搜索引擎使用。具體的差別可在下壹節工作流程的分析中詳述。
在上述每個函數中，都有名為HMM的參數。這壹項表示是否在分詞過程中利用HMM進行新詞發現。關於HMM，本文附錄中將簡述相關知識。
另外分詞支持自定義字典，詞典格式和 dict.txt 壹樣，壹個詞占壹行；每壹行分三部分：詞語、詞頻（可省略）、詞性（可省略），用空格隔開，順序不可顛倒。
具體使用方法為：
關鍵詞抽取的兩個函數的完整參數為：
可以通過
來打開或關閉並行分詞功能。
個人感覺壹般用不到，大文件分詞需要手動實現多進程並行，句子分詞也不至於用這個。
jieba分詞主要通過詞典來進行分詞及詞性標註，兩者使用了壹個相同的詞典。正因如此，分詞的結果優劣將很大程度上取決於詞典，雖然使用了HMM來進行新詞發現。
jieba分詞包整體的工作流程如下圖所示：
下面將根據源碼詳細地分析各個模塊的工作流程。
在之後幾節中，我們在 藍色的方框 中示範了關鍵步驟的輸出樣例或詞典文件的格式樣例。在本節中都采用類似的表示方式。
jieba分詞中，首先通過對照典生成句子的 有向無環圖 ，再根據選擇的模式不同，根據詞典 尋找最短路徑 後對句子進行截取或直接對句子進行截取。對於未登陸詞（不在詞典中的詞）使用 HMM 進行新詞發現。
詞典的格式應為
word1 freq1 word_type1
word2 freq2 word_type2
…
其中自定義用戶詞典中詞性word_type可以省略。
詞典在其他模塊的流程中可能也會用到，為方便敘述，後續的流程圖中將會省略詞典的初始化部分。
圖b演示了搜索引擎模式的工作流程，它會在精確模式分詞的基礎上，將長詞再次進行切分。
在這裏我們假定讀者已經了解HMM相關知識，如果沒有可先行閱讀下壹章內容中的HMM相關部分或者跳過本節。
在jieba分詞中，將字在詞中的位置B、M、E、S作為隱藏狀態，字是觀測狀態，使用了詞典文件分別存儲字之間的表現概率矩陣（finalseg/prob_emit.py）、初始概率向量(finalseg/prob_start.py)和轉移概率矩陣(finalseg/prob_trans.py)。這就是壹個標準的 解碼問題 ，根據概率再利用 viterbi算法 對最大可能的隱藏狀態進行求解。
詞性分析部分與分詞模塊用了同壹個基礎的分詞器，對於詞典詞的詞性，將直接從詞典中提取，但是對於新詞，詞性分析部分有壹個 專屬的新詞及其詞性的發現模塊 。
用於詞性標註的HMM模型與用於分詞的HMM模型相似，同樣將文字序列視為可見狀態，但是隱藏狀態不再是單單的詞的位置（B/E/M/S），而變成了詞的位置與詞性的組合，如(B,v)(B,n)(S,n)等等。因此其初始概率向量、轉移概率矩陣和表現概率矩陣和上壹節中所用的相比都要龐大的多，但是其本質以及運算步驟都沒有變化。
具體的工作流程如下圖所示。
jieba分詞中有兩種不同的用於關鍵詞抽取的算法，分別為TextRank和TF-IDF。實現流程比較簡單，其核心在於算法本身。下面簡單地畫出實現流程，具體的算法可以參閱下壹章內容。
TextRank方法默認篩選詞性，而TF-IDF方法模型不進行詞性篩選。
在本章中，將會簡單介紹相關的算法知識，主要包括用於新詞發現的 隱馬爾科夫模型 和 維特比算法 、用於關鍵詞提取的 TextRank 和 TF-IDF 算法。
HMM即隱馬爾科夫模型，是壹種基於馬爾科夫假設的統計模型。之所以為“隱”，是因為相較於馬爾科夫過程HMM有著未知的參數。在世界上，能看到的往往都是表象，而事物的真正狀態往往都隱含在表象之下，並且與表象有壹定的關聯關系。
其中，S、O分別表示狀態序列與觀測序列。
如果讀者還對這部分內容心存疑問，不妨先往下閱讀，下面我們將以壹個比較簡單的例子對HMM及解碼算法進行實際說明與演示，在讀完下壹小節之後再回來看這些式子，或許能夠恍然大悟。
下面以壹個簡單的例子來進行闡述：
假設小明有壹個網友小紅，小紅每天都會在朋友圈說明自己今天做了什麽，並且假設其僅受當天天氣的影響，而當天的天氣也只受前壹天天氣的影響。
於小明而言，小紅每天做了什麽是可見狀態，而小紅那裏的天氣如何就是隱藏狀態，這就構成了壹個HMM模型。壹個HMM模型需要有五個要素：隱藏狀態集、觀測集、轉移概率、觀測概率和初始狀態概率。
即在第j個隱藏狀態時，表現為i表現狀態的概率。式中的n和m表示隱藏狀態集和觀測集中的數量。
本例中在不同的天氣下，小紅要做不同事情的概率也不同， 觀測概率 以表格的形式呈現如下：
其中
除此之外，還需要壹個初始狀態概率向量π，它表示了觀測開始時，即t=0時，隱藏狀態的概率值。本例中我們指定 π={0,0,1} 。
至此，壹個完整的 隱馬爾科夫模型 已經定義完畢了。
HMM壹般由三類問題：
概率計算問題 ，即給定 A,B,π 和隱藏狀態序列，計算觀測序列的概率；
預測問題 ，也成解碼問題，已知 A,B,π 和觀測序列，求最優可能對應的狀態序列；
學習問題 ，已知觀測序列，估計模型的 A,B,π 參數，使得在該模型下觀測序列的概率最大，即用極大似然估計的方法估計參數。
在jieba分詞中所用的是解碼問題，所以此處對預測問題和學習問題不做深入探討，在下壹小節中我們將繼續以本節中的例子為例，對解碼問題進行求解。
在jieba分詞中，采用了HMM進行新詞發現，它將每壹個字表示為B/M/E/S分別代表出現在詞頭、詞中、詞尾以及單字成詞。將B/M/E/S作為HMM的隱藏狀態，而連續的各個單字作為觀測狀態，其任務即為利用觀測狀態預測隱藏狀態，並且其模型的 A,B,π 概率已經給出在文件中，所以這是壹個標準的解碼問題。在jieba分詞中采用了 Viterbi算法 來進行求解。
Viterbi算法的基本思想是： 如果最佳路徑經過壹個點，那麽起始點到這個點的路徑壹定是最短路徑，否則用起始點到這點更短的壹條路徑代替這段，就會得到更短的路徑，這顯然是矛盾的；從起始點到結束點的路徑，必然要經過第n個時刻，假如第n個時刻有k個狀態，那麽最終路徑壹定經過起始點到時刻n中k個狀態裏最短路徑的點 。
將時刻t隱藏狀態為i所有可能的狀態轉移路徑i1到i2的狀態最大值記為
下面我們繼續以上壹節中的例子來對viterbi算法進行闡述：
小明不知道小紅是哪裏人，他只能通過小紅每天的活動來推斷那裏的天氣。
假設連續三天，小紅的活動依次為：“睡覺-打遊戲-逛街”，我們將據此計算最有可能的天氣情況。
表示第壹天為雨天能夠使得第二天為晴天的概率最大（也就是說如果第二天是晴天在最短路徑上的話，第壹天是雨天也壹定在最短路徑上，參見上文中Viterbi算法的基本思想）
此時已經到了最後的時刻，我們開始回溯。
其計算過程示意圖如下圖所示。
）的路徑。
TF-IDF（詞頻-逆文本頻率）是壹種用以評估字詞在文檔中重要程度的統計方法。它的核心思想是，如果某個詞在壹篇文章中出現的頻率即TF高，並且在其他文檔中出現的很少，則認為這個詞有很好的類別區分能力。
其中：
TextRank是壹種用以關鍵詞提取的算法，因為是基於PageRank的，所以先介紹PageRank。
PageRank通過互聯網中的超鏈接關系確定壹個網頁的排名，其公式是通過壹種投票的思想來設計的：如果我們計算網頁A的PageRank值，那麽我們需要知道哪些網頁鏈接到A，即首先得到A的入鏈，然後通過入鏈給網頁A進行投票來計算A的PR值。其公式為：
其中：
d為阻尼系數，取值範圍為0-1，代表從壹定點指向其他任意點的概率，壹般取值0.85。
將上式多次叠代即可直到收斂即可得到結果。
TextRank算法基於PageRank的思想，利用投票機制對文本中重要成分進行排序。如果兩個詞在壹個固定大小的窗口內***同出現過，則認為兩個詞之間存在連線。
公式與PageRank的基本相同。多次叠代直至收斂，即可得到結果。
在jieba分詞中，TextRank設定的詞窗口大小為5，將公式1叠代10次的結果作為最終權重的結果，而不壹定叠代至收斂。