.NET Core中文分詞組件jieba.NET Core

特點

• 支持三種分詞模式：

  • 精確模式，試圖將句子最精確地切開，適合文本分析；

  • 全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度非常快，但是不能解決歧義。具體來說，分詞過程不會借助于詞頻查找最大概率路徑，亦不會使用HMM；

  • 搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

• 支持繁體分詞

• 支持添加自定義詞典和自定義詞

jieba.NET Core 用法

下載代碼使用VS 2017 打開，或者使用VS Code 打開項目。

選擇jieba.NET 為起始項目，Program.cs 代碼如下：

    class Program
    {        static void Main(string[] args)
        {
            Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);            var segmenter = new JiebaSegmenter();            var segments = segmenter.Cut("我來到北京清華大學", cutAll: true);
            Console.WriteLine("【全模式】：{0}", string.Join("/ ", segments));

            segments = segmenter.Cut("我來到北京清華大學");  // 默認為精確模式
            Console.WriteLine("【精確模式】：{0}", string.Join("/ ", segments));

            segments = segmenter.Cut("他來到了網易杭研大廈");  // 默認為精確模式，同時也使用HMM模型
            Console.WriteLine("【新詞識別】：{0}", string.Join("/ ", segments));

            segments = segmenter.CutForSearch("小明碩士畢業于×××計算所，后在日本京都大學深造"); // 搜索引擎模式
            Console.WriteLine("【搜索引擎模式】：{0}", string.Join("/ ", segments));

            segments = segmenter.Cut("結過婚的和尚未結過婚的");
            Console.WriteLine("【歧義消除】：{0}", string.Join("/ ", segments));
            Console.ReadKey();
        }
    }

運行程序結果如下：

JiebaSegmenter.Cut方法可通過cutAll來支持兩種模式，精確模式和全模式。精確模式是最基礎和自然的模式，試圖將句子最精確地切開，適合文本分析；而全模式，把句子中所有的可以成詞的詞語都掃描出來, 速度更快，但是不能解決歧義，因為它不會掃描最大概率路徑，也不會通過HMM去發現未登錄詞。

CutForSearch采用的是搜索引擎模式，在精確模式的基礎上對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

詞性標注

詞性標注采用和ictclas兼容的標記法，關于ictclas和jieba中使用的標記法列表，請參考：詞性標記。

在TestDemo.cs 中PosCutDemo 方法為詞性標注。

        public void PosCutDemo()
        {            var posSeg = new PosSegmenter();            var s = "一團碩大無朋的高能離子云，在遙遠而神秘的太空中迅疾地飄移";            var tokens = posSeg.Cut(s);
            Console.WriteLine(string.Join(" ", tokens.Select(token => string.Format("{0}/{1}", token.Word, token.Flag))));
        }

調用結果如下：

關鍵詞提取

現在來嘗試提取其中的關鍵詞。jieba.NET提供了TF-IDF和TextRank兩種算法來提取關鍵詞，TF-IDF對應的類是JiebaNet.Analyser.TfidfExtractor，TextRank的是JiebaNet.Analyser.TextRankExtractor。

        public void ExtractTagsDemo()
        {            var text =                "程序員(英文Programmer)是從事程序開發、維護的專業人員。一般將程序員分為程序設計人員和程序編碼人員，但兩者的界限并不非常清楚，特別是在中國。軟件從業人員分為初級程序員、高級程序員、系統分析員和項目經理四大類。";            var extractor = new TfidfExtractor();            var keywords = extractor.ExtractTags(text);            foreach (var keyword in keywords)
            {
                Console.WriteLine(keyword);
            }
        }        public void ExtractTagsDemo2()
        {            var text = @"在數學和計算機科學/算學之中，算法/算則法（Algorithm）為一個計算的具體步驟，常用于計算、數據處理和自動推理。精確而言，算法是一個表示為有限長列表的有效方法。算法應包含清晰定義的指令用于計算函數。
                         算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和初始輸入（可能為空）開始，經過一系列有限而清晰定義的狀態最終產生輸出并停止于一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化算法在內的一些算法，包含了一些隨機輸入。
                         形式化算法的概念部分源自嘗試解決希爾伯特提出的判定問題，并在其后嘗試定義有效計算性或者有效方法中成形。這些嘗試包括庫爾特·哥德爾、雅克·埃爾布朗和斯蒂芬·科爾·克萊尼分別于1930年、1934年和1935年提出的遞歸函數，阿隆佐·邱奇于1936年提出的λ演算，1936年Emil Leon Post的Formulation 1和艾倫·圖靈1937年提出的圖靈機。即使在當前，依然常有直覺想法難以定義為形式化算法的情況。";            var extractor = new TfidfExtractor();            var keywords = extractor.ExtractTags(text, 10, Constants.NounAndVerbPos);            foreach (var keyword in keywords)
            {
                Console.WriteLine(keyword);
            }
        }

ExtractTagsDemo 方法為提取所有關鍵詞。

ExtractTagsDemo2 方法為提取前十個僅包含名詞和動詞的關鍵詞

ExtractTagsWithWeight方法的返回結果中除了包含關鍵詞，還包含了相應的權重值。

返回詞語在原文的起止位置

        public void TokenizeDemo()
        {            var segmenter = new JiebaSegmenter();            var s = "永和服裝飾品有限公司";            var tokens = segmenter.Tokenize(s);            foreach (var token in tokens)
            {
                Console.WriteLine("word {0,-12} start: {1,-3} end: {2,-3}", token.Word, token.StartIndex, token.EndIndex);
            }
        }

調用 TokenizeDemo 方法會返回對應位置

新詞加入

代碼加入

            var segmenter = new JiebaSegmenter();            var segments = segmenter.Cut(@".NETCore2.0的發布時間，.NET Core 2.0預覽版及.NET Standard 2.0 Preview大概在5月中旬或下旬發布。");
            Console.WriteLine("【精確模式】：{0}", string.Join("/ ", segments));
            segmenter.AddWord("發布時間");
            segmenter.AddWord(".NETCore2.0");
            segments = segmenter.Cut(@".NETCore2.0的發布時間，.NET Core 2.0預覽版及.NET Standard 2.0 Preview大概在5月中旬或下旬發布。");
            Console.WriteLine("【精確模式】：{0}", string.Join("/ ", segments));

調用 segmenter.AddWord添加新詞，這里添加了發布時間及.NETCore2.0

可以看到新加入的詞被識別出來。

詞典加入

詞典格式如下：詞典格式與主詞典格式相同，即一行包含：詞、詞頻（可省略）、詞性（可省略），用空格隔開。詞頻省略時，分詞器將使用自動計算出的詞頻保證該詞被分出。

創新辦 3 i
云計算 5凱特琳 nz
臺中
機器學習 3深度學習 8linezero 2

然后使用segmenter.LoadUserDict() 方法，傳入詞典路徑。

更多詳細內容，可以查看代碼及readme.md