pyhanlp 停用詞與使用者自定義詞典功能詳解
hanlp的詞典模式
之前我們看了hanlp的詞性標註,現在我們就要使用自定義詞典與停用詞功能了,首先關於HanLP的詞性標註方式具體請看HanLP詞性標註集。
其核心詞典形式如下:
自定義詞典
自定義詞典有多種新增模式,首先是展示的一個小例子,展示了詞彙的動態增加與強行插入,刪除等。更復雜的內容請參考後邊的第二段程式碼。
簡單的例子
from pyhanlp import *
text = "攻城獅逆襲單身狗,迎娶白富美,走上人生巔峰" # 怎麼可能噗哈哈!
print(HanLP.segment(text))
CustomDictionary = JClass("com.hankcs.hanlp.dictionary.CustomDictionary")
CustomDictionary.add("攻城獅") # 動態增加
CustomDictionary.insert("白富美", "nz 1024") # 強行插入
#CustomDictionary.remove("攻城獅"); # 刪除詞語(註釋掉試試)
CustomDictionary.add("單身狗", "nz 1024 n 1")
# 展示該單詞詞典中的詞頻統計 展示分詞
print(CustomDictionary.get("單身狗"))
print(HanLP.segment(text))
# 增加使用者詞典,對其他分詞器同樣有效
# 注意此處,CRF分詞器將單身狗分為了n 即使單身狗:"nz 1024 n 1"
CRFnewSegment = HanLP.newSegment("crf")
print(CRFnewSegment.seg(text))
[攻城獅, 逆襲, 單身狗, ,, 迎娶, 白富美, ,, 走上, 人生, 巔峰]
nz 1024 n 1
[攻城獅, 逆襲, 單身狗, ,, 迎娶, 白富美, ,, 走上, 人生, 巔峰]
[攻城, 獅逆襲, 單身狗, ,, 迎娶, 白富美, ,, 走, 上, 人生, 巔峰]
複雜的例子
""" 演示自定義詞性,以及往詞典中插入自定義詞性的詞語
!!!由於採用了反射技術,使用者需對本地環境的相容性和穩定性負責!!!
TO-DO
如果使用了動態詞性之後任何類使用了switch(nature)語句,必須註冊每個類
"""
# 對於系統中已有的詞性,可以直接獲取
Nature = JClass("com.hankcs.hanlp.corpus.tag.Nature")
pc_nature = Nature.fromString("n")
print(pc_nature)
# 此時系統中沒有"電腦品牌"這個詞性
pc_nature = Nature.fromString("電腦品牌")
print(pc_nature)
# 我們可以動態新增一個
pc_nature = Nature.create("電腦品牌");
print(pc_nature)
# 可以將它賦予到某個詞語
LexiconUtility = JClass("com.hankcs.hanlp.utility.LexiconUtility")
LexiconUtility.setAttribute("蘋果電腦", pc_nature)
# 或者
LexiconUtility.setAttribute("蘋果電腦", "電腦品牌 1000")
# 它們將在分詞結果中生效
term_list = HanLP.segment("蘋果電腦可以執行開源阿爾法狗程式碼嗎")
print(term_list)
for term in term_list:
if term.nature == pc_nature:
print("找到了 [{}] : {}\n".format(pc_nature, term.word))
# 還可以直接插入到使用者詞典
CustomDictionary = JClass("com.hankcs.hanlp.dictionary.CustomDictionary")
CustomDictionary.insert("阿爾法狗", "科技名詞 1024")
StandardTokenizer = JClass("com.hankcs.hanlp.tokenizer.StandardTokenizer")
StandardTokenizer.SEGMENT.enablePartOfSpeechTagging(True) # 依然支援隱馬詞性標註
term_list = HanLP.segment("蘋果電腦可以執行開源阿爾法狗程式碼嗎")
print(term_list)
n
None
電腦品牌
[蘋果電腦/電腦品牌, 可以/v, 執行/vn, 開源/v, 阿爾法/nrf, 狗/n, 程式碼/n, 嗎/y]
找到了 [電腦品牌] : 蘋果電腦
[蘋果電腦/電腦品牌, 可以/v, 執行/vn, 開源/v, 阿爾法狗/科技名詞, 程式碼/n, 嗎/y]
關於自定義詞典的說明(原作者的原文)
說明
- CustomDictionary是一份全域性的使用者自定義詞典,可以隨時增刪,影響全部分詞器。另外可以在任何分詞器中關閉它。通過程式碼動態增刪不會儲存到詞典檔案。
- 中文分詞≠詞典,詞典無法解決中文分詞,Segment提供高低優先順序應對不同場景,請參考FAQ。
追加詞典
- CustomDictionary主詞典文字路徑是data/dictionary/custom/CustomDictionary.txt,使用者可以在此增加自己的詞語(不推薦);也可以單獨新建一個文字檔案,通過配置檔案CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; 我的詞典.txt;來追加詞典(推薦)。
- 始終建議將相同詞性的詞語放到同一個詞典檔案裡,便於維護和分享。
詞典格式
- 每一行代表一個單詞,格式遵從[單詞] [詞性A] [A的頻次] [詞性B] [B的頻次] ... 如果不填詞性則表示採用詞典的預設詞性。
- 詞典的預設詞性預設是名詞n,可以通過配置檔案修改:全國地名大全.txt ns;如果詞典路徑後面空格緊接著詞性,則該詞典預設是該詞性。
- 在統計分詞中,並不保證自定義詞典中的詞一定被切分出來。使用者可在理解後果的情況下通過Segment#enableCustomDictionaryForcing強制生效。
- 關於使用者詞典的更多資訊請參考詞典說明一章(請看本文最後)。
停用詞
關於停用詞,我同樣先給出了一個簡單的例子,你可以使用這個例子來完成你所需要的功能。要注意的一點是,因為java中的類所返回的資料型別與Python不統一,所以當你使用不同的函式的時候,一定要先檢查輸出結果在Python中的型別,不然可能會出現意想不到的問題。
假如你想了解更多,可以看第二個更復雜的例子。
簡單的例子
# 使用停用詞的簡單例子
text = "小區居民有的反對餵養流浪貓"
CRFnewSegment = HanLP.newSegment("crf")
term_list = CRFnewSegment.seg(text)
# BasicTokenizer = SafeJClass("com.hankcs.hanlp.tokenizer.BasicTokenizer")
# term_list = BasicTokenizer.segment(text)
CoreStopWordDictionary = JClass("com.hankcs.hanlp.dictionary.stopword.CoreStopWordDictionary")
CoreStopWordDictionary.apply(term_list)
HanLP.Config.ShowTermNature = False
print(term_list)
print([i.word for i in term_list])
[小區, 居民, 反對, 養, 流, 浪, 貓]
['小區', '居民', '反對', '養', '流', '浪', '貓']
複雜的例子
# 停用詞
# 在import pyhanlp之前編譯自己的Java class,並放入pyhanlp/static中
import os
from pyhanlp.static import STATIC_ROOT, HANLP_JAR_PATH
java_code_path = os.path.join(STATIC_ROOT, 'MyFilter.java')
with open(java_code_path, 'w') as out:
java_code = """
import com.hankcs.hanlp.dictionary.stopword.CoreStopWordDictionary;
import com.hankcs.hanlp.dictionary.stopword.Filter;
import com.hankcs.hanlp.seg.common.Term;
public class MyFilter implements Filter
{
public boolean shouldInclude(Term term)
{
if (term.nature.startsWith('m')) return true; // 數詞保留
return !CoreStopWordDictionary.contains(term.word); // 停用詞過濾
}
}
"""
out.write(java_code)
os.system('javac -cp {} {} -d {}'.format(HANLP_JAR_PATH, java_code_path, STATIC_ROOT))
# 編譯結束才可以啟動hanlp
CoreStopWordDictionary = JClass("com.hankcs.hanlp.dictionary.stopword.CoreStopWordDictionary")
Filter = JClass("com.hankcs.hanlp.dictionary.stopword.Filter")
Term = JClass("com.hankcs.hanlp.seg.common.Term")
BasicTokenizer = JClass("com.hankcs.hanlp.tokenizer.BasicTokenizer")
NotionalTokenizer = JClass("com.hankcs.hanlp.tokenizer.NotionalTokenizer")
text = "小區居民有的反對餵養流浪貓,而有的居民卻贊成餵養這些小寶貝"
# 可以動態修改停用詞詞典
CoreStopWordDictionary.add("居民")
print(NotionalTokenizer.segment(text))
CoreStopWordDictionary.remove("居民")
print(NotionalTokenizer.segment(text))
# 可以對任意分詞器的結果執行過濾
term_list = BasicTokenizer.segment(text)
print(term_list)
CoreStopWordDictionary.apply(term_list)
print(term_list)
# 還可以自定義過濾邏輯
MyFilter = JClass('MyFilter')
CoreStopWordDictionary.FILTER = MyFilter()
print(NotionalTokenizer.segment("數字123的保留")) # “的”位於stopwords.txt所以被過濾,數字得到保留
[小區/n, 反對/v, 餵養/v, 流浪貓/nz, 贊成/v, 餵養/v, 小寶貝/nz]
[小區/n, 居民/n, 反對/v, 餵養/v, 流浪貓/nz, 居民/n, 贊成/v, 餵養/v, 小寶貝/nz]
[小區/n, 居民/n, 有/vyou, 的/ude1, 反對/v, 餵養/v, 流浪貓/nz, ,/w, 而/cc, 有的/rz, 居民/n, 卻/d, 贊成/v, 餵養/v, 這些/rz, 小寶貝/nz]
[小區/n, 居民/n, 反對/v, 餵養/v, 流浪貓/nz, 居民/n, 贊成/v, 餵養/v, 小寶貝/nz]
[數字/n, 123/m, 保留/v]
詞典說明(原作者原文)
本章詳細介紹HanLP中的詞典格式,滿足使用者自定義的需要。HanLP中有許多詞典,它們的格式都是相似的,形式都是文字文件,隨時可以修改。
基本格式
詞典分為詞頻詞性詞典和詞頻詞典。
詞頻詞性詞典(如CoreNatureDictionary.txt)
- 每一行代表一個單詞,格式遵從[單詞] [詞性A] [A的頻次] [詞性B] [B的頻次] ...。
- 支援省略詞性和頻次,直接一行一個單詞。
- .txt詞典檔案的分隔符為空格或製表符,所以不支援含有空格的詞語。如果需要支援空格,請使用英文逗號,分割的純文字.csv檔案。在使用Excel等富文字編輯器時,則請注意儲存為純文字形式。
詞頻詞典(如CoreNatureDictionary.ngram.txt)
- 每一行代表一個單詞或條目,格式遵從[單詞] [單詞的頻次]。
- 每一行的分隔符為空格或製表符。
少數詞典有自己的專用格式,比如同義詞詞典相容《同義詞詞林擴充套件版》的文字格式,而轉移矩陣詞典則是一個csv表格。
下文主要介紹通用詞典,如不註明,詞典特指通用詞典。
資料結構
Trie樹(字典樹)是HanLP中使用最多的資料結構,為此,我實現了通用的Trie樹,支援泛型、遍歷、儲存、載入。
使用者自定義詞典採用AhoCorasickDoubleArrayTrie和二分Trie樹儲存,其他詞典採用基於雙陣列Trie樹(DoubleArrayTrie)實現的AC自動機AhoCorasickDoubleArrayTrie。關於一些常用資料結構的效能評估,請參考wiki。
儲存形式
詞典有兩個形態:文字檔案(filename.txt)和快取檔案(filename.txt.bin或filename.txt.trie.dat和filename.txt.trie.value)。
文字檔案
- 採用明文儲存,UTF-8編碼,CRLF換行符。
快取檔案
- 就是一些二進位制檔案,通常在文字檔案的檔名後面加上.bin表示。有時候是.trie.dat和.trie.value。後者是歷史遺留產物,分別代表trie樹的陣列和值。
- 如果你修改了任何詞典,只有刪除快取才能生效。
修改方法
HanLP的核心詞典訓練自人民日報2014語料,語料不是完美的,總會存在一些錯誤。這些錯誤可能會導致分詞出現奇怪的結果,這時請開啟除錯模式排查問題:(本文作者FontTian注:在本文動筆前,原詞典一進變為了9970萬版本的最大中文語料。但是詞典說明中原作者沒改)
HanLP.Config.enableDebug();
核心詞性詞頻詞典
- 比如你在data/dictionary/CoreNatureDictionary.txt中發現了一個不是詞的詞,或者詞性標註得明顯不對,那麼你可以修改它,然後刪除快取檔案使其生效。
- 目前CoreNatureDictionary.ngram.txt的快取依賴於CoreNatureDictionary.txt的快取,修改了後者之後必須同步刪除前者的快取,否則可能出錯
核心二元文法詞典
- 二元文法詞典data/dictionary/CoreNatureDictionary.ngram.txt儲存的是兩個詞的接續,如果你發現不可能存在這種接續時,刪掉即可。
- 你也可以新增你認為合理的接續,但是這兩個詞必須同時在核心詞典中才會生效。
命名實體識別詞典
- 基於角色標註的命名實體識別比較依賴詞典,所以詞典的質量大幅影響識別質量。
- 這些詞典的格式與原理都是類似的,請閱讀相應的文章或程式碼修改它。
文章來源 FonTIan 的部落格