Tokenize Chinese characters
Project description
jieba_fast
使用cpython
重写了jieba分词库中计算DAG和HMM中的vitrebi函数,速度得到大幅提升。
使用import jieba_fast as jieba
可以无缝衔接源代码。
特点
- 对两种分词模式进行的加速:精确模式,搜索引擎模式
- 利用
cython
重新实现了viterbi算法,使默认带HMM的切词模式速度大幅提升 - 利用
cython
重新实现了生成DAG以及从DAG计算最优路径的算法,速度大幅提升 - 基本只是替换了核心函数,对源代码的侵入型很小
- MIT 授权协议
安装说明
代码目前对 Python 2/3 兼容,对*unix兼容良好,windows本地编译测试通过,但不保证。
- 全自动安装:
pip install jieba_fast
- 半自动安装:先下载 http://pypi.python.org/pypi/jieba_fast/ ,解压后运行
python setup.py install
关于windows的编译过程中可能会有一些坑,可以尝试我编译好的版本,将编译好的放在了windows/下,分别对应的是python2.7与python3.5。 如果你想安装python2版本的jiaba_fast,将python2下的所有目录与文件拷至对应python的lib/site-packages下就ok。
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
主要功能
详情见 https://github.com/fxsjy/jieba
代码示例
# encoding=utf-8
import jieba_fast as jieba
text = u'在输出层后再增加CRF层,加强了文本间信息的相关性,针对序列标注问题,每个句子的每个词都有一个标注结果,对句子中第i个词进行高维特征的抽取,通过学习特征到标注结果的映射,可以得到特征到任> 意标签的概率,通过这些概率,得到最优序列结果'
print("-".join(jieba.lcut(text, HMM=True))
print('-'.join(jieba.lcut(text, HMM=False)))
输出:
在-输出-层后-再-增加-CRF-层-,-加强-了-文本-间-信息-的-相关性-,-针对-序列-标注-问题-,-每个-句子-的-每个-词-都-有-一个-标注-结果-,-对-句子-中-第-i-个-词-进行-高维-特征-的-抽取-,-通过-学习-特征-到-标注-结果-的-映射-,-可以-得到-特征-到-任意-标签-的-概率-,-通过-这些-概率-,-得到-最优-序列-结果
在-输出-层-后-再-增加-CRF-层-,-加强-了-文本-间-信息-的-相关性-,-针对-序列-标注-问题-,-每个-句子-的-每个-词-都-有-一个-标注-结果-,-对-句子-中-第-i-个-词-进行-高维-特征-的-抽取-,-通过-学习-特征-到-标注-结果-的-映射-,-可以-得到-特征-到-任意-标签-的-概率-,-通过-这些-概率-,-得到-最优-序列-结果
性能测试
测试机器 mbp17, i7, 16G
测试过程: 先按行读取文本《围城》到一个数组里,然后循环对《围城》每行文字作为一个句子进行分词。然后循环对围城这本书分词50次。分词算法分别采用【开启HMM的精确模式】、【关闭HMM的精确模式】、【开启HMM的搜索引擎模式】、【开启HMM的搜索引擎模式】 具体测试数据如下:
开启HMM的精确模式 | 关闭HMM的精确模式 | 开启HMM的搜索引擎模式 | 关闭HMM的搜索引擎模式 | |
---|---|---|---|---|
jieba | 65.1s | 39.9s | 67.5s | 40.5s |
jieba_fast | 24.5s | 18.2s | 25.3s | 20.4s |
可以看出在开启HMM模式下时间缩减了60%左右,关闭HMM时时间缩减了50%左右。
一致性测试
为了保证jieba_fast和jieba分词结果相同,做了如下测试。
对《围城》,《红楼梦》分词结果进行比较,其分词结果完全一致
---- Test of 围城 ----
nums of jieba results: 164821
nums of jieba_fast results: 164821
Are they exactly the same? True
----Test of 红楼梦 ----
nums of jieba results: 597151
nums of jieba_fast results: 597151
Are they exactly the same? True
鸣谢
"结巴"中文分词作者: SunJunyi
源码见 source/