【NLP】【四】jieba源码分析之词性标注

【一】词性标注

词性标注分为2部分，首先是分词，然后基于分词结果做词性标注。

【二】jieba的词性标注代码流程详解

1. 代码位置

jieba/posseg/_init_.py

2. 流程分析

def cut(sentence, HMM=True):
    """
    Global `cut` function that supports parallel processing.

    Note that this only works using dt, custom POSTokenizer
    instances are not supported.
    """
    global dt
    # 该pool 默认为None
    if jieba.pool is None:
        # 调用POSTokenizer的cut接口进行词性标注
        for w in dt.cut(sentence, HMM=HMM):
            yield w
    else:
        parts = strdecode(sentence).splitlines(True)
        if HMM:
            result = jieba.pool.map(_lcut_internal, parts)
        else:
            result = jieba.pool.map(_lcut_internal_no_hmm, parts)
        for r in result:
            for w in r:
                yield w

可以看出，对于未登录词，采用HMM模型进行分词与词性标注。

    def __cut_internal(self, sentence, HMM=True):
        # 词典加载
        self.makesure_userdict_loaded()
        sentence = strdecode(sentence)
        # 中文正则表达式匹配
        blocks = re_han_internal.split(sentence)

        # 设置分词函数
        if HMM:
            cut_blk = self.__cut_DAG
        else:
            cut_blk = self.__cut_DAG_NO_HMM

        for blk in blocks:
            # 如果是中文，则调用分词接口进行分词与词性标注
            if re_han_internal.match(blk):
                for word in cut_blk(blk):
                    yield word
            else:
                tmp = re_skip_internal.split(blk)
                for x in tmp:
                    if re_skip_internal.match(x):
                        yield pair(x, 'x')
                    else:
                        for xx in x:
                            # 如果是数字，则使用m标注词性，由于number的n和u已经用于其他词性，因此使用m
                            if re_num.match(xx):
                                yield pair(xx, 'm')
                            # 如果是英文，标注为eng
                            elif re_eng.match(x):
                                yield pair(xx, 'eng')
                            # 否则，一律标注为x
                            else:
                                yield pair(xx, 'x')

    # 对于未位登录词，采用HMM模型进行词性标注
    def __cut_detail(self, sentence):
        blocks = re_han_detail.split(sentence)
        for blk in blocks:
            if re_han_detail.match(blk):
                # 使用HMM模型进行词性标注
                for word in self.__cut(blk):
                    yield word
            else:
                tmp = re_skip_detail.split(blk)
                for x in tmp:
                    if x:
                        if re_num.match(x):
                            yield pair(x, 'm')
                        elif re_eng.match(x):
                            yield pair(x, 'eng')
                        else:
                            yield pair(x, 'x')

    def __cut(self, sentence):
        # 使用viterbi算法进行状态序列求解，这里的状态序列包含2部分
        # 一是：词的位置，而是词性。由于一词多性，因此需要计算出该词概率最大的词性
        prob, pos_list = viterbi(
            sentence, char_state_tab_P, start_P, trans_P, emit_P)
        begin, nexti = 0, 0

        for i, char in enumerate(sentence):
            pos = pos_list[i][0]
            if pos == 'B':
                begin = i
            elif pos == 'E':
                yield pair(sentence[begin:i + 1], pos_list[i][1])
                nexti = i + 1
            elif pos == 'S':
                yield pair(char, pos_list[i][1])
                nexti = i + 1
        if nexti < len(sentence):
            yield pair(sentence[nexti:], pos_list[nexti][1])

这里，依旧使用viterbi算法进行状态序列求解。这里就不分析了，算法流程和前面的未登录词的分词一致。只是强调一点，这里的状态序列包含两部分：一是：字的位置，即BMES，而是词对应的词性，如 ：n,a等

【三】总结

jieba总体而言，包含如下三个功能：分词、词性标注、关键字提取。使用的都是传统的方法，如基于词典前缀的匹配、基于HMM模型对未登录词进行分割与词性标注、基于TF-IDF和TextRank进行关键字提取。这三大功能，全都离不开jieba基于语料库统计出来的词典，包括词频、词性、HMM模型参数（状态转移概率矩阵、发射概率矩阵、初始状态概率向量）。

要想使用jieba得到好的分词效果，需要替换自己的词典，训练自己的HMM参数，而这些，基本都是基于语料库统计得到的。