免费试用
banner
行业资讯>大数据技术与应用>R语言中文分词包jiebaR

R语言中文分词包jiebaR

作者: afenxi来源: afenxi时间:2017-03-31 16:29:220

摘要:本文只是抛砖引玉地介绍了jiebaR包的使用方法,详细使用操作,请参考包作者的官方介绍。

前言

本文挖掘是数据挖掘中一个非常重要的部分,有非常广阔的使用场景,比如我们可以对新闻事件进行分析,了解国家大事;也可以对微博信息进行分析,通过社交舆情看看大家的关注点。通过文本挖掘找到文章中的隐藏信息,对文章的结构进行分析,判断是不是同一个作者写文章;同时可以对邮件分析,结合bayes算法判断哪些是垃圾邮件,哪些是有用的邮件。

本文挖掘的第一步,就是要进行分词,分词将直接影响文本挖掘的效果。R语言在分词方面有很好的支持,接下来就给大家介绍一个不错的R语言中文分词包“结巴分词”(jiebaR)。

目录

jiebaR包介绍 5分钟上手 分词引擎 配置词典 停止词过滤 关键词提取 1. jiebaR包介绍

结巴分词(jiebaR),是一款高效的R语言中文分词包,底层使用的是C++,通过Rcpp进行调用很高效。结巴分词基于MIT协议,就是免费和开源的,感谢国人作者的给力支持,让R的可以方便的处理中文文本。

官方Github的地址:https://github.com/qinwf/jiebaR

本文所使用的系统环境

Win10 64bit R: 3.2.3 x86_64-w64-mingw32/x64 b4bit

jiebaR包是在CRAN发布的标准库,安装起来非常简单,2条命令就可以了。

~ R > install.packages("jiebaR") > library("jiebaR")

如果想要安装开发版本,可以使用devtools来进行安装,devtools的介绍请参考文章:在巨人的肩膀前行 催化R包开发

> library(devtools) > install_github("qinwf/jiebaRD") > install_github("qinwf/jiebaR") > library("jiebaR")

开发版本安装,官方建议使用Linux系统 gcc >= 4.6 编译,Windows需要安装 Rtools。

2. 5分钟上手

5分钟上手,直接看第一个例子吧,对一段文字进行分词。

> wk = worker() > wk["我是《R的极客理想》图书作者"] [1] "我是" "R" "的" "极客" "理想" "图书" "作者" > wk["我是R语言的深度用户"] [1] "我" "是" "R" "语言" "的" "深度" "用户"

很简单地,2行代码,就完成了中文分词。

jiebaR提供了3种分词语句的写法,例子上面的用[]符号的语法,还可以使用<=符合语法,或者使用segment()函数。虽然形式不同,但是分词效果是一样的。 使用<=符号的语法,如下

> wk<=另一种符合的语法 [1] "另" "一种" "符合" "的" "语法"

使用segment()函数的语法,如下

> segment( "segment()函数语句的写法" , wk ) [1] "segment" "函数" "语句" "的" "写法"

如果你觉得很神奇,想了解如何自定义操作符的,可以检查项目的源代码quick.R文件。

# <= 符号定义 `<=.qseg`<-function(qseg, code) # [ 符号定义 `[.qseg`<- `<=.qseg`

我们也可以直接对文本文件进行分词,在当前目录新建一个文本文件idea.txt。

~ notepad idea.txt R的极客理想系列文章,涵盖了R的思想,使用,工具,创新等的一系列要点,以我个人的学习和体验去诠释R的强大。 R语言作为统计学一门语言,一直在小众领域闪耀着光芒。直到大数据的爆发,R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入,R语言的社区在迅速扩大成长。现在已不仅仅是统计领域,教育,银行,电商,互联网….都在使用R语言。

当然,我们运行分词程序,会在当前目录生成一个新的分词结果的文件。

> wk[./idea.txt] [1] "./idea.segment.2016-07-20_23_25_34.txt"

打开文件idea.segment.2016-07-20_23_25_34.txt,整个本文以空格进行分词。

~ notepad idea.segment.2016-07-20_23_25_34.txt R 的 极客 理想 系列 文章 涵盖 了 R 的 思想 使用 工具 创新 等 的 一系列 要点 以 我 个人 的 学习 和 体验 去 诠释 R 的 强大 R 语言 作为 统计学 一门 语言 一直 在 小众 领域 闪耀着 光芒 直到 大 数据 的 爆发 R 语言 变成 了 一门 炙手可热 的 数据分析 的 利器 随着 越来越 多 的 工程 背景 的 人 的 加入 R 语言 的 社区 在 迅速 扩大 成长 现在 已 不仅仅 是 统计 领域 教育 银行 电商 互联网 都 在 使用 R 语言

是不是很简单,5分钟实践就能完成分词的任务。

3. 分词引擎

在调用worker()函数时,我们实际是在加载jiebaR库的分词引擎。jiebaR库提供了7种分词引擎。

混合模型(MixSegment):是四个分词引擎里面分词效果较好的类,结它合使用最大概率法和隐式马尔科夫模型。 最大概率法(MPSegment) :负责根据Trie树构建有向无环图和进行动态规划算法,是分词算法的核心。 隐式马尔科夫模型(HMMSegment):是根据基于人民日报等语料库构建的HMM模型来进行分词,主要算法思路是根据(B,E,M,S)四个状态来代表每个字的隐藏状态。 HMM模型由dict/hmm_model.utf8提供。分词算法即viterbi算法。 索引模型(QuerySegment):先使用混合模型进行切词,再对于切出来的较长的词,枚举句子中所有可能成词的情况,找出词库里存在。 标记模型(tag) Simhash模型(simhash) 关键词模型(keywods)

如果你不太关心引擎的事,那么直接用官方推荐的混合模型(默认选择)就行了。查看worker()函数的定义。

worker(type = "mix", dict = DICTPATH, hmm = HMMPATH, user = USERPATH, idf = IDFPATH, stop_word = STOPPATH, write = T, qmax = 20, topn = 5, encoding = "UTF-8", detect = T, symbol = F, lines = 1e+05, output = NULL, bylines = F, user_weight = "max")

参数列表:

type, 引擎类型 dict, 系统词典 hmm, HMM模型路径 user, 用户词典 idf, IDF词典 stop_word, 关键词用停止词库 write, 是否将文件分词结果写入文件,默认FALSE qmax, 最大成词的字符数,默认20个字符 topn, 关键词数,默认5个 encoding, 输入文件的编码,默认UTF-8 detect, 是否编码检查,默认TRUE symbol, 是否保留符号,默认FALSE lines, 每次读取文件的最大行数,用于控制读取文件的长度。大文件则会分次读取。 output, 输出路径 bylines, 按行输出 user_weight, 用户权重

我们在调用worker()时,就加载了分词引擎,可以打印出来,查看分词的引擎的配置。

> wk = worker() > wk Worker Type: Jieba Segment Default Method : mix # 混合模型 Detect Encoding : TRUE # 检查编码 Default Encoding: UTF-8 # UTF-8 Keep Symbols : FALSE # 不保留符号 Output Path : # 输出文件目录 Write File : TRUE # 写文件 By Lines : FALSE # 不行输出 Max Word Length : 20 # 最大单单词长度 Max Read Lines : 1e+05 # 最大读入文件行数 Fixed Model Components: $dict # 系统词典 [1] "D:/tool/R-3.2.3/library/jiebaRD/dict/jieba.dict.utf8" $user # 用户词典 [1] "D:/tool/R-3.2.3/library/jiebaRD/dict/user.dict.utf8" $hmm # 隐式马尔科夫模型模型 [1] "D:/tool/R-3.2.3/library/jiebaRD/dict/hmm_model.utf8" $stop_word # 停止词,无 NULL $user_weight # 用户词典权重 [1] "max" $timestamp # 时间戳 [1] 1469027302 $default $detect $encoding $symbol $output $write $lines $bylines can be reset.

如果我们想改变分词引擎的配置项,可以在调用worker()创建分词引擎时,也可以通过wk$XX来进行设置。如果想了解wk是什么类型的对象,我们通过pryr包的otype的函数来检查wk对象的类型。关于pryr包的详细使用,请参考文章撬动R内核的高级工具包pryr

# 加载 pryr包 > library(pryr) > otype(wk) # 面向对象的类型检查 [1] "S3" > class(wk) # 查看class是属性 [1] "jiebar" "segment" "jieba" 4. 配置词典

对于分词的结果好坏的关键因素是词典,jiebaR默认有配置标准的词典。对于我们的使用来说,不同行业或不同的文字类型,最好用专门的分词词典。在jiebaR中通过show_dictpath()函数可以查看默认的标准词典,可以通过上一小节介绍的配置项,来指定我们自己的词典。日常对话的常用词典,比如搜狗输入法的词库。

# 查看默认的词库位置 > show_dictpath() [1] "D:/tool/R-3.2.3/library/jiebaRD/dict" # 查看目录 > dir(show_dictpath()) [1] "D:/tool/R-3.2.3/library/jiebaRD/dict" [1] "backup.rda" "hmm_model.utf8" "hmm_model.zip" [4] "idf.utf8" "idf.zip" "jieba.dict.utf8" [7] "jieba.dict.zip" "model.rda" "README.md" [10] "stop_words.utf8" "user.dict.utf8"

看到词典目录中,包括了多个文件。

jieba.dict.utf8, 系统词典文件,最大概率法,utf8编码的 hmm_model.utf8, 系统词典文件,隐式马尔科夫模型,utf8编码的 user.dict.utf8, 用户词典文件,utf8编码的 stop_words.utf8,停止词文件,utf8编码的 idf.utf8,IDF语料库,utf8编码的 jieba.dict.zip,jieba.dict.utf8的压缩包 hmm_model.zip,hmm_model.utf8的压缩包 idf.zip,idf.utf8的压缩包 backup.rda,无注释 model.rda,无注释 README.md,说明文件

打开系统词典文件jieba.dict.utf8,并打印前50行。

> scan(file="D:/tool/R-3.2.3/library/jiebaRD/dict/jieba.dict.utf8", + what=character(),nlines=50,sep= , + encoding=utf-8,fileEncoding=utf-8) Read 50 items [1] "1号店 3 n" "1號店 3 n" "4S店 3 n" "4s店 3 n" [5] "AA制 3 n" "AB型 3 n" "AT&T 3 nz" "A型 3 n" [9] "A座 3 n" "A股 3 n" "A輪 3 n" "A轮 3 n" [13] "BB机 3 n" "BB機 3 n" "BP机 3 n" "BP機 3 n" [17] "B型 3 n" "B座 3 n" "B股 3 n" "B超 3 n" [21] "B輪 3 n" "B轮 3 n" "C# 3 nz" "C++ 3 nz" [25] "CALL机 3 n" "CALL機 3 n" "CD机 3 n" "CD機 3 n" [29] "CD盒 3 n" "C座 3 n" "C盘 3 n" "C盤 3 n" [33] "C語言 3 n" "C语言 3 n" "D座 3 n" "D版 3 n" [37] "D盘 3 n" "D盤 3 n" "E化 3 n" "E座 3 n" [41] "E盘 3 n" "E盤 3 n" "E通 3 n" "F座 3 n" [45] "F盘 3 n" "F盤 3 n" "G盘 3 n" "G盤 3 n" [49] "H盘 3 n" "H盤 3 n"

我们发现系统词典每一行都有三列,并以空格分割,第一列为词项,第二列为词频,第三列为词性标记。

打开用户词典文件user.dict.utf8,并打印前50行。

> scan(file="D:/tool/R-3.2.3/library/jiebaRD/dict/user.dict.utf8", + what=character(),nlines=50,sep= , + encoding=utf-8,fileEncoding=utf-8) Read 5 items [1] "云计算" "韩玉鉴赏" "蓝翔 nz" "CEO" "江大桥"

用户词典第一行有二列,,第一列为词项,第二列为词性标记,没有词频的列。用户词典默认词频为系统词库中的最大词频。

jiebaR包关于词典词性标记,采用ictclas的标记方法。ICTCLAS 汉语词性标注集。

代码 名称 帮助记忆的诠释 Ag 形语素 形容词性语素。形容词代码为a,语素代码g前面置以A。 a 形容词 取英语形容词adjective的第1个字母。 ad 副形词 直接作状语的形容词。形容词代码a和副词代码d并在一起。 an 名形词 具有名词功能的形容词。形容词代码a和名词代码n并在一起。 b 区别词 取汉字"别"的声母。 c 连词 取英语连词conjunction的第1个字母。 Dg 副语素 副词性语素。副词代码为d,语素代码g前面置以D。 d 副词 取adverb的第2个字母,因其第1个字母已用于形容词。 e 叹词 取英语叹词exclamation的第1个字母。 f 方位词 取汉字"方"的声母。 g 语素 绝大多数语素都能作为合成词的"词根",取汉字"根"的声母。 h 前接成分 取英语head的第1个字母。 i 成语 取英语成语idiom的第1个字母。 j 简称略语 取汉字"简"的声母。 k 后接成分 l 习用语 习用语尚未成为成语,有点"临时性",取"临"的声母。 m 数词 取英语numeral的第3个字母,n,u已有他用。 Ng 名语素 名词性语素。名词代码为n,语素代码g前面置以N。 n 名词 取英语名词noun的第1个字母。 nr 人名 名词代码n和"人(ren)"的声母并在一起。 ns 地名 名词代码n和处所词代码s并在一起。 nt 机构团体 "团"的声母为t,名词代码n和t并在一起。 nz 其他专名 "专"的声母的第1个字母为z,名词代码n和z并在一起。 o 拟声词 取英语拟声词onomatopoeia的第1个字母。 p 介词 取英语介词prepositional的第1个字母。 q 量词 取英语quantity的第1个字母。 r 代词 取英语代词pronoun的第2个字母,因p已用于介词。 s 处所词 取英语space的第1个字母。 Tg 时语素 时间词性语素。时间词代码为t,在语素的代码g前面置以T。 t 时间词 取英语time的第1个字母。 u 助词 取英语助词auxiliary 的第2个字母,因a已用于形容词。 Vg 动语素 动词性语素。动词代码为v。在语素的代码g前面置以V。 v 动词 取英语动词verb的第一个字母。 vd 副动词 直接作状语的动词。动词和副词的代码并在一起。 vn 名动词 指具有名词功能的动词。动词和名词的代码并在一起。 w 标点符号 x 非语素字 非语素字只是一个符号,字母x通常用于代表未知数、符号。 y 语气词 取汉字"语"的声母。 z 状态词 取汉字"状"的声母的前一个字母。

下面我们自定义一个用户词典,来试试效果。编写词典文件,user.utf8。

~ notepad user.utf8 R语言 R的极客理想 大数据 数据

使用我们的自定义的用户词典,对刚才的文本再进行分词。

> wk = worker(user=user.utf8) > wk[./idea.txt] [1] "./idea.segment.2016-07-21_11_14_24.txt"

对比2次产生的分词结果,idea.segment.2016-07-20_23_25_34.txt 和 idea.segment.2016-07-21_11_14_24.txt。

R语言中文分词包jiebaR-数据分析网

在实际使用中,jiebaR默认提供的用户词典只有5个单词,太简单了,肯定是不够用的。我们可以用搜狗词典,来丰富用户自己的词库。接下来,让我们配置搜狗词典。你需要安装一个搜狗输入法,具体的安装过程不再解释。

我安装的是搜狗五笔输入法,找到搜狗的安装目录,并找到词典文件。我的搜狗词典,在下面的安装位置。

C:Program Files (x86)SogouWBInput2.1.0.1288scd17960.scel

把17960.scel文件复制到自己的项目目录里,用文本编辑器打开文件,发现是二进制的。那么我需要用工具进行转换,把二进制的词典转成我们可以使用的文本文件。jiebaR包的作者,同时开发了一个cidian项目,可以转换搜狗的词典,那么我们只需要安装cidian包即可。

安装cidian项目

> install.packages("devtools") > install.packages("stringi") > install.packages("pbapply") > install.packages("Rcpp") > install.packages("RcppProgress") > library(devtools) > install_github("qinwf/cidian") > library(cidian)

转换二进制词典到文本文件。

# 转换 > decode_scel(scel = "./17960.scel",cpp = TRUE) output file: ./17960.scel_2016-07-21_00_22_11.dict # 查看生成的词典文件 > scan(file="./17960.scel_2016-07-21_00_22_11.dict", + what=character(),nlines=50,sep= , + encoding=utf-8,fileEncoding=utf-8) Read 50 items [1] "阿坝州 n" "阿百川 n" "阿班 n" [4] "阿宾 n" "阿波菲斯 n" "阿不都热希提 n" [7] "阿不都西库尔 n" "阿不力克木 n" "阿尔姆格伦 n" [10] "阿尔沙文 n" "阿肥星 n" "阿菲正传 n" [13] "阿密特 n" "阿穆 n" "阿穆隆 n" [16] "阿帕鲁萨镇 n" "阿披实 n" "阿衰 n" [19] "阿霞 n" "艾奥瓦 n" "爱不疚 n" [22] "爱的错位 n" "爱得得体 n" "爱的火焰 n" [25] "爱的流刑地 n" "爱得起 n" "埃夫隆 n" [28] "爱搞网 n" "爱国红心 n" "爱呼 n" [31] "爱就宅一起 n" "埃克希儿 n" "爱没有错 n" [34] "埃蒙斯 n" "爱奴新传 n" "爱起点 n" [37] "爱情的牙齿 n" "爱情海滨 n" "爱情节 n" [40] "爱情美的样子 n" "爱情无限谱 n" "爱情占线 n" [43] "爱情转移 n" "爱情左灯右行 n" "爱上你是一个错 n" [46] "矮哨兵 n" "爱是妥协 n" "爱似水仙 n" [49] "爱太痛 n" "爱无界 n"

接下来,直接把搜狗词典配置到我们的分词库中,就可以直接使用了。把搜狗词典文件改名,从17960.scel_2016-07-21_00_22_11.dict到user.dict.utf8,然后替换D: oolR-3.2.3libraryjiebaRDdict目录下面的user.dict.utf8。这样默认的用户词典,就是搜狗词典了。很酷吧!

5. 停止词过滤

停止词就是分词过程中,我们不需要作为结果的词,像英文的语句中有很多的a,the,or,and等,中文语言中也有很多,比如 的,地,得,我,你,他。这些词因为使用频率过高,会大量出现在一段文本中,对于分词后的结果,在统计词频的时候会增加很多的噪音,所以我们通常都会将这些词进行过滤。

在jiebaR中,过滤停止词有2种方法,一种是通过配置stop_word文件,另一种是使用filter_segment()函数。

首先我们先来看,通过配置stop_word文件的方法。新建一个stop_word.txt文件。

~ notepad stop_word.txt 我 我是

加载分词引擎,并配置停止词过滤。

> wk = worker(stop_word=stop_word.txt) > segment<-wk["我是《R的极客理想》图书作者"] > segment [1] "R" "的" "极客" "理想" "图书" "作者"

上面的文本,我们把"我是"通过停止词进行了过滤。如果还想过滤“作者”一词,可以动态的调用filter_segment()函数。

> filter<-c("作者") > filter_segment(segment,filter) [1] "R" "的" "极客" "理想" "图书" 6. 关键词提取

关键词提取是文本处理非常重要的一个环节,一个经典算法是TF-IDF算法。其中,TF(Term Frequency)代表词频,IDF(Inverse Document Frequency)表示逆文档频率。如果某个词在文章中多次出现,而且不是停止词,那么它很可能就反应了这段文章的特性,这就是我们要找的关键词。再通过IDF来算出每个词的权重,不常见的词出现的频率越高,则权重越大。计算TF-IDF的公式为:

TF-IDF = TF(词频) * 逆文档频率(IDF)

对文档中每个词计算TF-IDF的值,把结果从大到小排序,就得到了这篇文档的关键性排序列表。关于IF-IDF的解释,参考了文章TF-IDF与余弦相似性的应用(一):自动提取关键词。

jiebaR包的关键词提取提取的实现,也是使用了TF-IDF的算法。在安装目录中的idf.utf8文件,为IDF的语料库。查看idf.utf8内容。

> scan(file="D:/tool/R-3.2.3/library/jiebaRD/dict/idf.utf8", + what=character(),nlines=50,sep= , + encoding=utf-8,fileEncoding=utf-8) Read 50 items [1] "劳动防护 13.900677652" "生化学 13.900677652" [3] "奥萨贝尔 13.900677652" "考察队员 13.900677652" [5] "岗上 11.5027823792" "倒车档 12.2912397395" [7] "编译 9.21854642485" "蝶泳 11.1926274509" [9] "外委 11.8212361103" "故作高深 11.9547675029" [11] "尉遂成 13.2075304714" "心源性 11.1926274509" [13] "现役军人 10.642581114" "杜勃留 13.2075304714" [15] "包天笑 13.900677652" "贾政陪 13.2075304714" [17] "托尔湾 13.900677652" "多瓦 12.5143832909" [19] "多瓣 13.900677652" "巴斯特尔 11.598092559" [21] "刘皇帝 12.8020653633" "亚历山德罗夫 13.2075304714" [23] "社会公众 8.90346537821" "五百份 12.8020653633" [25] "两点阈 12.5143832909" "多瓶 13.900677652" [27] "冰天 12.2912397395" "库布齐 11.598092559" [29] "龙川县 12.8020653633" "银燕 11.9547675029" [31] "历史风貌 11.8212361103" "信仰主义 13.2075304714" [33] "好色 10.0088573539" "款款而行 12.5143832909" [35] "凳子 8.36728816325" "二部 9.93038573842" [37] "卢巴 12.1089181827" "五百五 13.2075304714" [39] "畅叙 11.598092559" "吴栅子 13.2075304714" [41] "智力竞赛 13.900677652" "库邦 13.2075304714" [43] "非正义 11.3357282945" "编订 10.2897597393" [45] "悲号 12.8020653633" "陈庄搭 13.2075304714" [47] "二郎 9.62401153296" "电光石火 11.8212361103" [49] "抢球 11.9547675029" "南澳大利亚 10.9562386728"

idf.utf8文件每一行有2列,第一列是词项,第二列为权重。然后,我通过计算文档的词频(TF),与语料库的IDF值相乘,就可以得到TF-IDF值,从而提取文档的关键词。

比如,我们对下面的文本内容进行关键词的提取。

> wk = worker() > segment<-wk["R的极客理想系列文章,涵盖了R的思想,使用,工具,创新等的一系列要点,以我个人的学习和体验去诠释R的强大。"] # 计算词频 > freq(segment) char freq 1 创新 1 2 了 1 3 文章 1 4 强大 1 5 R 3 6 个人 1 7 的 5 8 诠释 1 9 和 1 10 一系列 1 11 使用 1 12 以 1 13 等 1 14 极客 1 15 理想 1 16 思想 1 17 涵盖 1 18 系列 1 19 去 1 20 我 1 21 工具 1 22 学习 1 23 体验 1 24 要点 1 # 取TF-IDF的前5的关键词 > keys = worker("keywords",topn=5) # 计算关键词 > vector_keywords(segment,keys) 11.7392 8.97342 8.23425 8.2137 7.43298 "极客" "诠释" "要点" "涵盖" "体验"

使用jiebaR包处理分词确实简单,几行的代码就能实现分词的各种算法操作。有了这个工具,我们就可以文档中,发现各种语言规则进行文本挖掘了。下篇文章让我们挖掘一下上市公司的公告吧,说不定能发现什么市场规则。

本文只是抛砖引玉地介绍了jiebaR包的使用方法,详细使用操作,[email protected]enfeng,为R语言在中文分词中提供了一套非常不错的工具包!

来源:粉丝日志  作者:张丹 链接:http://blog.fens.me/r-word-jiebar/

banner
看过还想看
可能还想看
热点推荐
Yonghong的价值观:以卓越的数据技术为客户创造价值,实现客户成功。
免费试用