jiebaR中文分词，从入门到喜欢

之前，我写过一篇关于Rwordseg包的分词，链接为：http://blog.csdn.net/wzgl__wh/article/details/52528925

今天，我主要想谈谈自己对jiebaR这个包。现在我也比较推荐使用jiebaR这个包，原因也大概总结了一下几点。

 

   JiebaR

   Rwordseg

函数数量

   51个

 9个

更新速度

快，cran最新版更新于2016-09-28

慢，R-Forge最新版更新于2013-12-15

安装难度

   容易

     难,需要安装java。

分词引擎

   多

只有一种（隐马尔科夫模型）

（个人观点，还望大家在留言区补充）

一、分词

首先，我们来看一下jiebaR里面最重要的一个函数worker函数，通过它，我们可以设置一些分词类型，用户词典，停用词等等。函数原型为：

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")

现在来说说每个参数的作用。

参数

作用

type

指分词引擎类型，这个包包括mix, mp, hmm, full, query, tag, simhash, keyword,分别指混合模型，支持最大概率，隐马尔科夫模型，全模式，索引模型，词性标注，文本Simhash相似度比较，关键字提取。     

dict

词库路径，默认为DICTPATH.

hmm

用来指定隐马尔可夫模型的路径，默认值为DICTPATH,当然也可以指定其他分词引擎

user

用户自定义的词库

idf

用来指定逆文本频率指数路径，默认为DICTPATH，也可以用于simhash和keyword分词引擎

stop_word

用来指定停用词的路径

qmax

词的最大查询长度，默认为20，可用于query分词类型。

topn

关键词的个数，默认为5，可以用于simhash和keyword分词类型

symbol

输出是否保留符号，默认为F

Lines

从文件中最大一次读取的行数。默认为1e+05

output

输出文件，文件名一般时候系统时间。

bylines

返回输入的文件有多少行

user_weight

用户词典的词权重，有"min" "max" or "median"三个选项。

另外一个函数就是segment，它就好比老板，它有三个参数，code就好比任务，jiebar就是一个worker，但是担心worker对工作的方法不懂，那就用mod参数再告诉worker怎么做，也就是用什么分词引擎分词。作用分别如下。它要用这个工人worker去分词。

参数

作用

code

中文句子或者文件

jiebar

设置分词的引擎，也就是worker函数

mod

改变默认的分词引擎类型，其中包括以下几个："mix", "hmm","query","full","level",  "mp"

 

了解完这些参数之后，我们现在就来简单的做一个小分词。

library(jiebaR)engine<-worker()words<-"想学R语言，那就赶紧拿起手机，打开微信，关注公众号《跟着菜鸟一起学R语言》，跟着菜鸟一块飞。"segment(words,engine)

结果如下：

在这里，我们除了使用segment之外，还可以使用下面代码分词，效果是一样的。

engine<=words

二、添加用户自定义词或词库

那刚才那个例子来说，“公众号”本来就是一个词，结果被分成两个词，因此我需要添加这个词。另外，我也想要“R语言”也被分成一个词。接下来我们就分别使用这两种方法来实现。

1.使用new_user_word函数；

2.使用worker函数中通过user参数添加词库。

（1）new_user_word函数

engine_new_word<-worker()new_user_word(engine_new_word, c("公众号","R语言"))segment(words,engine_new_word)

结果如下：

▷ 使用user参数添加词库

看完使用new_user_word函数添加词之后，你是不是心里就在想，如果我有几十个，甚至几百几千个词的话，如果这样输的话那估计得累死。因此我们可以自定义一个词库，然后从词库里面直接读。我建的词库截图如下：

engine_user<-worker(user='dictionary.txt')segment(words,engine_user)

为了便于比较，我把这两次分词结果图截到一起，如下

需要说明的是，在使用词库的话也可以使用new_user_word函数。第二种方法用也可以用new_user_word写成下面这样，结果是一样的。

new_user_word(engine_new_word, scan("dictionary.txt",what="",sep="\n"))segment(words,engine_new_word)

三、删除停用词

就拿我们刚才使用的例子，分词之后的“那”，“就”就是停用词，因此我们需要删掉。这里我们需要使用worker函数的stop_word参数。

engine_s<-worker(stop_word = "stopwords.txt")segment(words,engine_s)

通过对比，我们发些，“那”，“就”已经被删掉了。

四，计算词频

这个jiebaR这个包的功能很全，它已经提供了一个函数——freq，来自动计算获取词频。

这个函数就自动计算了words分词之后的词频，这下我们就很容易使用wordcloud2包绘制词云。

freq(segment(words,engine_s))

五、词性标注

jiebaR包，提供了一个qseg函数，它在分词的时候也会加上词性，它有两种使用方法。

qseg[words]qseg<=words

结果如下：

其中词性标注也可以使用worker函数的type参数，type默认为mix，仅需将它设置为tag即可。

tagger<-worker(type="tag")tagger<=words

我自己也找网上找了一些汉语文本词性标注的资料，整理到如下表格。

标注

词性

标注

词性

ag

形容素

a

形容词

ad

副形词

an

名形词

b

区别词

c

连词

Dg

副语素

d

副词

e

叹词

f

方位词

g

语素

h

前接成分

i

成语

j

简称略语

k

后接成分

l

习用语

m

数词

ng

名词素

n

名词

nr

人名

nr1

汉语姓氏

nr2

日语姓氏

nrj

日语人名

nrf

音译人名

ns

地名

nt

机构团体

nz

其他专名

nl

名词性惯用语

vf

取向动词

vx

形式动词

p

介词

q

量词

r

代词

s

处所词

tg

时间词性语素(时语素)

t

时间词

u

助词

vg

动词素

v

动词

vd

副动词

vn

名动词

w

标点符号

y

语气词

x

非语素词

z

状态词

o

拟声词

六，提取关键字

#type=keywordskeys<-worker(type="keywords",topn=2)keys<=words#type=simhashkeys2<-worker(type="simhash",topn=2)keys2<=words

​七、总结

这个jiebaR这个包的功能很全，从分词，到添加词库，到删除停用词，再到统计词频，甚至词性标注和提取关键字，它已经提供了对应得函数，可以说一个包就提供了我们对文本分析所需要的所有基本功能。再统计完词频之后，我们可以很方便的使用Wordcloud2包来绘制词云，这个包的详细使用方法可以阅读我的另外一篇文章：http://blog.csdn.net/wzgl__wh/article/details/52420747

转载请注明

原文链接：http://blog.csdn.net/wzgl__wh/article/details/72036263

作者：王亨

作者公众号：跟着菜鸟一起学R语言