NLP（十三）中文分词工具的使用尝试

迈不过友情╰ 2021-11-10 19:06 351阅读 0赞

本文将对三种中文分词工具进行使用尝试，这三种工具分别为哈工大的LTP，结巴分词以及北大的pkuseg。  
  首先我们先准备好环境，即需要安装三个模块：pyltp, jieba, pkuseg以及LTP的分词模型文件`cws.model`。在用户字典中添加以下5个词语：

> 经  
> 少安  
> 贺凤英  
> F-35战斗机  
> 埃达尔·阿勒坎

测试的Python代码如下：

# -*- coding: utf-8 -*-
    
    import os
    import jieba
    import pkuseg
    from pyltp import Segmentor
    
    lexicon = ['经', '少安', '贺凤英', 'F-35战斗机', '埃达尔·阿勒坎'] # 自定义词典
    
    # 哈工大LTP分词
    def ltp_segment(sent):
        # 加载文件
        cws_model_path = os.path.join('data/cws.model') # 分词模型路径，模型名称为`cws.model`
        lexicon_path = os.path.join('data/lexicon.txt') # 参数lexicon是自定义词典的文件路径
        segmentor = Segmentor()
        segmentor.load_with_lexicon(cws_model_path, lexicon_path)
        words = list(segmentor.segment(sent))
        segmentor.release()
    
        return words
    
    # 结巴分词
    def jieba_cut(sent):
        for word in lexicon:
            jieba.add_word(word)
        return list(jieba.cut(sent))
    
    # pkuseg分词
    def pkuseg_cut(sent):
        seg = pkuseg.pkuseg(user_dict=lexicon)
        words = seg.cut(sent)
        return words
    
    sent = '尽管玉亭成家以后，他老婆贺凤英那些年把少安妈欺负上一回又一回，怕老婆的玉亭连一声也不敢吭，但少安他妈不计较他。'
    #sent = '据此前报道，以色列于去年5月成为世界上第一个在实战中使用F-35战斗机的国家。'
    #sent = '小船4月8日经长江前往小鸟岛。'
    #sent = '1958年，埃达尔·阿勒坎出生在土耳其首都安卡拉，但他的求学生涯多在美国度过。'
    
    print('ltp:', ltp_segment(sent))
    print('jieba:', jieba_cut(sent))
    print('pkuseg:', pkuseg_cut(sent))

&emsp 对于第一句话，输出结果如下：

> 原文: 尽管玉亭成家以后，他老婆贺凤英那些年把少安妈欺负上一回又一回，怕老婆的玉亭连一声也不敢吭，但少安他妈不计较他。

> ltp: \[‘尽管’, ‘玉亭’, ‘成家’, ‘以后’, ‘，’, ‘他’, ‘老婆’, ‘贺凤英’, ‘那些’, ‘年’, ‘把’, ‘少安’, ‘妈’, ‘欺负’, ‘上’, ‘一’, ‘回’, ‘又’, ‘一’, ‘回’, ‘，’, ‘怕’, ‘老婆’, ‘的’, ‘玉亭’, ‘连’, ‘一’, ‘声’, ‘也’, ‘不’, ‘敢’, ‘吭’, ‘，’, ‘但’, ‘少安’, ‘他妈’, ‘不’, ‘计较’, ‘他’, ‘。’\]

> jieba: \[‘尽管’, ‘玉亭’, ‘成家’, ‘以后’, ‘，’, ‘他’, ‘老婆’, ‘贺凤英’, ‘那些’, ‘年’, ‘把’, ‘少安’, ‘妈’, ‘欺负’, ‘上’, ‘一回’, ‘又’, ‘一回’, ‘，’, ‘怕老婆’, ‘的’, ‘玉亭’, ‘连’, ‘一声’, ‘也’, ‘不敢’, ‘吭’, ‘，’, ‘但少安’, ‘他妈’, ‘不’, ‘计较’, ‘他’, ‘。’\]

> pkuseg: \[‘尽管’, ‘玉亭’, ‘成家’, ‘以后’, ‘，’, ‘他’, ‘老婆’, ‘贺凤英’, ‘那些’, ‘年’, ‘把’, ‘少安’, ‘妈’, ‘欺负’, ‘上’, ‘一’, ‘回’, ‘又’, ‘一’, ‘回’, ‘，’, ‘怕’, ‘老婆’, ‘的’, ‘玉亭’, ‘连’, ‘一’, ‘声’, ‘也’, ‘不’, ‘敢’, ‘吭’, ‘，’, ‘但’, ‘少安’, ‘他妈’, ‘不’, ‘计较’, ‘他’, ‘。’\]

对于第二句话，输出结果如下：

> 原文: 据此前报道，以色列于去年5月成为世界上第一个在实战中使用F-35战斗机的国家。

> ltp: \[‘据’, ‘此前’, ‘报道’, ‘，’, ‘以色列’, ‘于’, ‘去年’, ‘5月’, ‘成为’, ‘世界’, ‘上’, ‘第一’, ‘个’, ‘在’, ‘实战’, ‘中’, ‘使用’, ‘F-35’, ‘战斗机’, ‘的’, ‘国家’, ‘。’\]

> jieba: \[‘据此’, ‘前’, ‘报道’, ‘，’, ‘以色列’, ‘于’, ‘去年’, ‘5’, ‘月’, ‘成为’, ‘世界’, ‘上’, ‘第一个’, ‘在’, ‘实战’, ‘中’, ‘使用’, ‘F’, ‘-’, ‘35’, ‘战斗机’, ‘的’, ‘国家’, ‘。’\]

> pkuseg: \[‘据’, ‘此前’, ‘报道’, ‘，’, ‘以色列’, ‘于’, ‘去年’, ‘5月’, ‘成为’, ‘世界’, ‘上’, ‘第一’, ‘个’, ‘在’, ‘实战’, ‘中’, ‘使用’, ‘F-35战斗机’, ‘的’, ‘国家’, ‘。’\]

对于第三句话，输出结果如下：

> 原文: 小船4月8日经长江前往小鸟岛。

> ltp: \[‘小船’, ‘4月’, ‘8日’, ‘经长江’, ‘前往’, ‘小鸟岛’, ‘。’\]

> jieba: \[‘小船’, ‘4’, ‘月’, ‘8’, ‘日经’, ‘长江’, ‘前往’, ‘小’, ‘鸟岛’, ‘。’\]

> pkuseg: \[‘小船’, ‘4月’, ‘8日’, ‘经’, ‘长江’, ‘前往’, ‘小鸟’, ‘岛’, ‘。’\]

对于第四句话，输出结果如下：

> 原文: 1958年，埃达尔·阿勒坎出生在土耳其首都安卡拉，但他的求学生涯多在美国度过。

> ltp: \[‘1958年’, ‘，’, ‘埃达尔·阿勒坎’, ‘出生’, ‘在’, ‘土耳其’, ‘首都’, ‘安卡拉’, ‘，’, ‘但’, ‘他’, ‘的’, ‘求学’, ‘生涯’, ‘多’, ‘在’, ‘美国’, ‘度过’, ‘。’\]

> jieba: \[‘1958’, ‘年’, ‘，’, ‘埃’, ‘达尔’, ‘·’, ‘阿勒’, ‘坎’, ‘出生’, ‘在’, ‘土耳其’, ‘首都’, ‘安卡拉’, ‘，’, ‘但’, ‘他’, ‘的’, ‘求学’, ‘生涯’, ‘多’, ‘在’, ‘美国’, ‘度过’, ‘。’\]

> pkuseg: \[‘1958年’, ‘，’, ‘埃达尔·阿勒坎’, ‘出生’, ‘在’, ‘土耳其’, ‘首都’, ‘安卡拉’, ‘，’, ‘但’, ‘他’, ‘的’, ‘求学’, ‘生涯’, ‘多’, ‘在’, ‘美国’, ‘度过’, ‘。’\]

接着，对以上的测试情况做一个简单的总结：

1.  用户词典方面：LTP和pkuseg的效果都很好，jieba的表现不尽如人意，这主要是因为自定义的字典的词语里面含有标点符号，关于该问题的解决办法，可以参考网址：[https://blog.csdn.net/weixin\_42471956/article/details/80795534][https_blog.csdn.net_weixin_42471956_article_details_80795534]
2.  从第二句话的效果来看，pkuseg的分词效果应该是最好的，‘经’应该作为单个的词语切分出来，而LTP和jieba即使加了自定义词典，也没有效果，同理，‘F-35战斗机’也是类似的情形。

总的来说，三者的分词效果都很优秀，差距不是很大，但在自定义词典这块，无疑pkuseg的效果更加稳定些。笔者也会在以后的分词使用中多多考虑pkuseg～  
  有关pkuseg的介绍与使用，可以参考网址：[https://github.com/lancopku/PKUSeg-python][https_github.com_lancopku_PKUSeg-python]

> 注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy\_web\_scrape）， 欢迎大家关注~

[https_blog.csdn.net_weixin_42471956_article_details_80795534]: https://blog.csdn.net/weixin_42471956/article/details/80795534
[https_github.com_lancopku_PKUSeg-python]: https://github.com/lancopku/PKUSeg-python