使用pynlpir增强jieba分词的准确度

Use pynlpir to enhance the accuracy of jieba participle.

Posted by XuXinkun on October 7, 2018

在使用jieba分词时,发现分词准确度不高。特别是一些专业词汇,比如堡垒机,只能分出堡垒,并不能分出堡垒机。这样导致的问题是很多时候检索并不准确。 经过对比测试,发现nlpir进行分词效果更好。但是nlpir的效率和各种支持又没有jieba那么好,因此采用了一种折中的方案。 就是先用nlpir生成字典,然后使用jieba利用字典进行分词。

首先安装pynlpir。pynlpir的相关说明可以参考https://pynlpir.readthedocs.io/en/latest/index.html。

// 安装
$ pip install pynlpir
// 证书更新
$ pynlpir update

而后为jieba生成字典。jieba支持的字典格式为单词 词频,中间用空格隔开,每行一个单词。 使用pynlpir生成词典的方式如下:

import pynlpir
pynlpir.open()
f = open("doc.txt", "r")
s= f.readlines()
s = '\n'.join(s)
f.close()
key_words = pynlpir.get_key_words(s, max_words=1000, weighted=True)
for key_word in key_words:
    print '%s %s' % (key_word[0], int(key_word[1]*10))

这里之所以为每个词频*10,主要是为了加强其权重。而后再使用jieba利用该字典进行分词。至于jieba分词如何使用词典,可以参考https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py。这里就不再重复了。

对于sphinx-doc,其最新版本也是使用的jieba分词。同样可以使用本方法来提升其分词的准确率。 中文分词引入可以参考https://www.chenyudong.com/archives/sphinx-doc-support-chinese-search.html。 在conf.py中,配置html_search_options = {'dict': '/usr/lib/jieba.txt'},加入字典的路径。这里一定要绝对路径。相对路径不能生效。