在中文的文本挖掘中，对海量文本进行准确分词是其中至关重要一步。当前的Python语言下存在多种开源文本分析包，其中jieba这个包能够提供相对高效的分词方案。
结合jieba代码和一些相关资料，基本得知jieba是基于Trie树结构实现的高效词图扫描，生成句子中汉字所有可能成词情况的有向无环图(DAG)。 结巴分词中自带了一个叫做dict.txt的词典，里面包含词，词条出现次数（基于人民日报等语料库），词性。结巴会根据词典对分词句子切分，生成DAG，与此同时将每个词的出现次数转换成频率。 该频率会根据动态规划查找最大路径，找出基于词频的切分组合。
对于不存在与词典中的词，结巴则采用了基于汉字成词能力的HMM模型，使用Viterbi算法进行分词。也就是说如果dict.txt词典中没有任何词，结巴也能够根据HMM模型分词。下面写一个demo测试下结巴的分词能力。
测试文本数据采用了一篇翻译过来的医学论文《Importance of Being Adaptable Developing Guidelines for Lung Nodule Evaluation》.
结巴的提取关键词API非常易用, 这里我们提取测试文本中出现频率前100的高频词汇。 并将中文编码转为unicode.
content = open("testing.txt","rb").read()
# tags extraction based on TF-IDF algorithm
tags = jieba.analyse.extract_tags(content, topK=100, withWeight=False)
text =" ".join(tags)
text = unicode(text)
在变量text中存储了我们需要的关键词结果。
接下来我们使用python中wordcloud这个库来快速生成一个词云图。由于wordcloud并不包含中文字体。对于显示中文分词，一定要对word cloud指定中文字体位置，否则最后词云图的中文都是方框乱码。
wc = WordCloud(font_path='simsun.ttc',
background_color="white", max_words=300, mask=trump_coloring,
max_font_size=40, random_state=42)
# generate word cloud
wc.generate(text)
词云图结果
从词云图结果上大概可以看出，关键性高频名词基本被容纳进去，但是有一些无意义的高频介词也被包括进去。后期在提高模型正确率时，一方面需要扩充语义库，另一方面要对词性进行定义，将某些高频但无意义的词进行过滤。
全文代码:
# -*- encoding:utf-8 -*-
import jieba.analyse
from os import path
from scipy.misc import imread
import matplotlib as mpl
import matplotlib.pyplot as plt
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
if __name__ == "__main__":
mpl.rcParams['font.sans-serif'] = ['FangSong']
#mpl.rcParams['axes.unicode_minus'] = False
content = open("testing.txt","rb").read()
# tags extraction based on TF-IDF algorithm
tags = jieba.analyse.extract_tags(content, topK=100, withWeight=False)
text =" ".join(tags)
text = unicode(text)
# read the mask
d = path.dirname(__file__)
trump_coloring = imread(path.join(d, "Trump.jpg"))
wc = WordCloud(font_path='simsun.ttc',
background_color="white", max_words=300, mask=trump_coloring,
max_font_size=40, random_state=42)
# generate word cloud
wc.generate(text)
# generate color from image
image_colors = ImageColorGenerator(trump_coloring)
plt.imshow(wc)
plt.axis("off")
plt.show()
参考资料:
- 对Python中文分词模块结巴分词算法过程的理解和分析
Django梦之队, http://ddtcms.com/blog/archive/2013/2/4/69/jieba-fenci-suanfa-lijie/ - github结巴文档 https://github.com/fxsjy/jieba
