jieba 源码解析 2016-09-25 # jieba 源码解析 ## 阅读动机 [jieba分词](https://github.com/fxsjy/jieba)是Python 里面几个比较流行的中文分词工具之一。为了理解分词工具的工作原理，以及实现细节对jieba进行了详细的阅读。 读代码之前，我有几个问题是这样的： * 分词工具的实现都有哪几个步骤? * 结巴分词的文档说是使用了[HMM模型](https://en.wikipedia.org/wiki/Hidden_Markov_model)，但是HMM 模型是如何运用在分词工具中的？，以及模型是如何产生的？ * 几乎所有的分词工具都支持用户添加词库，但是用户词库到底在分词过程中扮演什么角色？ ## 简介 jieba 分词支持三种分词模式，官方文档给出了如下的Example ``` import jieba seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 全模式 seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式 print(", ".join(seg_list)) seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") # 搜索引擎模式 print(", ".join(seg_list)) ``` 考虑到文章篇幅的限制，我会详细解读默认模式也就是```jieba.cut```方法的所有实现。 阅读过程中会涉及一些算法原理，本文不做详细解释。 ## 宏观逻辑  上面面的流程图很粗糙，但是很好的说明了大概的步骤。 首先使用概率无向图，获得最大概率路径.概率无向图的构建完全依赖于字典，最大概率路径求解也是依赖字典中的词频。 最后使用HMM模型来解决未登录词(Out Of Vocabulary) ，所以在整个过程如果没有模型也是可以的，只要你有一个很好的词典。最大概率路径的求解还有很多方法，记得[HanLP](https://github.com/hankcs/HanLP)的求解就有实现最短路径。 ## 粗分 首先会使用正则将文本切分，正则什么样？就跟现则的是默认模式还是全模式。正则如下： ``` re_han_default = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._]+)", re.U) re_han_cut_all = re.compile("([\u4E00-\u9FD5]+)", re.U) ``` 到底有什么区别： 我写了个测试： ``` test_str = u'我在重庆abc,他也在重庆? 1234你在重庆吗' print (re_han_default.split(test_str)) print (re_han_cut_all.split(test_str)) ``` 输出： ``` ['', '我在重庆abc', ',', '他也在重庆', '? ', '1234你在重庆吗', ''] ['', '我在重庆', 'abc,', '他也在重庆', '? 1234', '你在重庆吗', ''] ``` 上面输出的list 里面每一个被成为block。 ## 细分 对粗分产生的blok ‘abc’这样的不能被```re.han```匹配的会直接作为结果反回。对于和中文连在一起的会进入下一个阶段细分。 ### DAG构建 细分的第一步是构建 DAG 即有向无环图。构建的核心代码如下: ``` def get_DAG(self, sentence): self.check_initialized() # 初始化，加载词典 DAG = {} N = len(sentence) for k in xrange(N): tmplist = [] i = k frag = sentence[k] while i < N and frag in self.FREQ: if self.FREQ[frag]: tmplist.append(i) i += 1 frag = sentence[k:i + 1] if not tmplist: tmplist.append(k) DAG[k] = tmplist return DAG ``` 怎么个意思呢： 举个例子 *我来到北京清华大学* 产生的DAG 结果如下： ``` {0: [0], 1: [1, 2], 2: [2], 3: [3, 4], 4: [4], 5: [5, 6, 8], 6: [6, 7], 7: [7, 8], 8: [8]} ``` 使用dict 来存储图数据结构。字典中的key 是没个字对应句子的index,后面的value 是一个list就是可达的路径。比如```{1：[1,2]}```意思就是“来”和“来到”这两个词在词典中存在。其他的类推。 图的产生依赖于```self.FREQ```这个变量，这是存储字典的，其结构是词做key ,词出现次数做value 的dict. 所以词典的好坏对分词结果会有很大的影响。如果根本不存在的路径给连上了，应该连上的没有连上。后面的HMM模型也是没办法解决的后者，当然最大概率路径会解决部分第一个问题，但是都是有限的。所以词典是相当关键的。 ### 最大概率路径求解 有了上面的DAG 下面求是求解最大概率路径。这个问题有很多中方法，jieba 使用的是动态规划。先不解释动态规划是什么，直接看代码， ``` def calc(self, sentence, DAG, route): N = len(sentence) route[N] = (0, 0) logtotal = log(self.total) for idx in xrange(N - 1, -1, -1): route[idx] = max((log(self.FREQ.get(sentence[idx:x + 1]) or 1) - logtotal + route[x + 1][0], x) for x in DAG[idx]) ``` 真个过程就上面几行。关键就在max 那一句。这个问题不在这里展开。但是有个小的技巧说下：在对很小的数据进行操作的时候，Python 也是可能向下溢出的，什么意思看下面的例子： ``` b = 0.0000001 print b**100 ``` 结果会打印```0.0``` 所有有个方法就是取log 。这个方法在很多地方都是有用的。 上面还用到了连个```tuple```比较这一技巧。 求解的结果如果分词时候参数设置的不适用HMM模型，到这里就结束了。求解结果部分如下：key 同样是对应的index.第二个就代表的是*来到*这个词。 ``` {0: (-32.587853155857076, 0), 1: (-27.379629658355885, 2),} ``` ### 未登录词 上面的最大概率在一定程度上解决了歧义问题，但是在分词里面还有另外一个问题未登录词问题也叫OOV(Out Of Vocabulary). jieba 使用HMM来识别未登录词。 比如: “我来到誉存科技” 这句话，产生的最大概率路径是 ``` {0: (-42.29693140266269, 0), 1: (-37.0887079051615, 2), 2: (-33.93639839927486, 2), 3: (-28.257272562332492, 3), 4: (-17.872975353951055, 4), 5: (-8.250710549196151, 6), 6: (-10.881580216048834, 6), 7: (0, 0)} ``` 看到3,和4 都是独立的词，如果不使用HMM 这个词就会被分成两个字。其逻辑就是把多个连续的单字组合成新的blok 使用HMM来切分。HMM到底怎么切分呢？ #### HMM HMM 隐马模型的定义自己可以去查，就算查完你也不一定能说清楚到底在分词的时候怎么使用的，但是不查绝对不知道。 在分词之前语料会被标注，标注的方式有很多中。其中比较多的是**BMES**对应的是B(begin)词的开头,M(Middle)词的中间,E(End)词的结束,S(Single)单个的词 HMM有几个概念，和分词这个具体问题的对应关系如下： * 状态序列(state sequence)：BMES 这些状态 * 观测序列(observation sequence)：就是看到的需要分词的句子，所有的字组成一个序列。 现在的问题就是一直观测序列求状态序列。但是第一部我们需要建立HMM模型。 HMM 有三个基本组成： 初始概率状态概率分布A 状态转移矩阵pi 观测概率分布B 如果有了上面三个元素一个HMM模型就是定好了。当然还有HMM模型有很多假设，此处省略。 jieba 是如何得到这三个变量的了。这就是HMM的学习问题 了。在标注好的语料之上。可以使用极大似然估计来估计这三个参数。这里也看到，语料是关键因素，语料的质量决定这三个参数。其实估计的过程不管其中的原理就是一些统计计算。jieba 把这三个元素分别存贮在三个py文件中： >prob_start.py: 初始状态概率 prob_trans.py： 状态转移 prob_emit.py： 观测概率分布 看看 prob_start: ``` P={'B': -0.26268660809250016, 'E': -3.14e+100, 'M': -3.14e+100, 'S': -1.4652633398537678} ``` ```-3.14e+100```表示的是无穷小。意思就是第一个字不可能是E，或者M.只可能是B,S具体是多少，使用语料中的频率做估计。 另外两个元素用类似的方法在语料之上很容易得到。 有了上面的饮马模型，但是如何通过观测序列求最有可能的状态序列?这时候就到[**Viterbi algorithm**](https://en.wikipedia.org/wiki/Viterbi_algorithm)出场了。具体也不展开，反正很简单。 到此jieba 分词的真个过程和部分细节和原理都有了，要实现一个自己的分词工具还会远吗？