结巴分词原理

摘要：我来到北京清华大学对应的状态应该为其实和的区别就是对未成功切分的部分，没有使用进行分词。

结巴分词是一个受大家喜爱的分词库，源码地址为github，今天我们就跟进源码，看一下结巴分词的原理

    def cut(self, sentence, cut_all=False, HMM=True):
        """
        The main function that segments an entire sentence that contains
        Chinese characters into separated words.

        Parameter:
            - sentence: The str(unicode) to be segmented.
            - cut_all: Model type. True for full pattern, False for accurate pattern.
            - HMM: Whether to use the Hidden Markov Model.
        """

使用结巴分词的时候，有三种模式，这三种模式的进入条件分别为：

        if cut_all:
            cut_block = self.__cut_all
        elif HMM:
            cut_block = self.__cut_DAG
        else:
            cut_block = self.__cut_DAG_NO_HMM

首先我们看一下这三种模式

__cut_all:

原句：我来到北京清华大学　结果：我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

原句：他来到了网易杭研大厦　结果：他/ 来到/ 了/ 网易/ 杭/ 研/ 大厦

__cut_DAG:

原句：我来到北京清华大学　结果:我/ 来到/ 北京/ 清华大学

原句：他来到了网易杭研大厦 结果：他/ 来到/ 了/ 网易/ 杭研/ 大厦

__cut_DAG_NO_HMM:

原句：我来到北京清华大学　结果:我/ 来到/ 北京/ 清华大学

原句：他来到了网易杭研大厦 结果：他/ 来到/ 了/ 网易/ 杭/ 研/ 大厦

下面我们就来分析一下这三种模式：
这三种模式有一个共同点，第一步都是先构造DAG，也就是构造有向无环图。
源码如下：

    def get_DAG(self, sentence):
        self.check_initialized()
        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

如果sentence是"我来到北京清华大学‘，那么DAG为

{0: [0], 1: [1, 2], 2: [2], 3: [3, 4], 4: [4], 5: [5, 6, 8], 6: [6, 7], 7: [7, 8], 8: [8]}

直观上来看，DAG[5]=[5,6,8]的意思就是，以’清‘开头的话，分别以5、6、8结束时，可以是一个词语，即’清‘、’清华‘、’清华大学‘
get_DAG方法中，最重要的也就是self.FREQ了，它是怎么来的呢？

其实就是通过jieba目录下，dict.txt文件来产生的self.FREQ,方法如下：
dict.txt共有349046行，每一行格式为：

一 217830 m
一一 1670 m
一一二 11 m
一一例 3 m
一一分 8 m
一一列举 34 i

第一部分为词语，第二部分为该词出现的频率，第三部分为该词的词性。
以读取’一一列举‘为例子，首先执行self.FREQ["一一列举"]=34，然后会检查’一‘、’一一‘、’一一列‘、’一一列举‘之前是否在self.FREQ中存储过，如果之前存储过，则跳过，否则执行self.FREQ["一"]=0，self.FREQ["一一"]=0，self.FREQ["一一列"]=0
所以self.FREQ中不止存储了正常的词语和它出现的次数，同时也存储了所有词语的前缀，并将前缀出现的次数设置为0,以和正常词语区别开。

好了，现在DAG这部分我们介绍完了，然后我们分开来介绍一下这三种模式：

源码如下：

    def __cut_all(self, sentence):
        dag = self.get_DAG(sentence)
        old_j = -1
        for k, L in iteritems(dag):
            if len(L) == 1 and k > old_j:
                yield sentence[k:L[0] + 1]
                old_j = L[0]
            else:
                for j in L:
                    if j > k:
                        yield sentence[k:j + 1]
                        old_j = j

这个具体的遍历方式我们就不细说了，大家自行看源码吧

    def __cut_DAG(self, sentence):
        DAG = self.get_DAG(sentence)
        route = {}
        self.calc(sentence, DAG, route)
        ......

首先我们先看一下self.calc方法

    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])

这里使用了一个技巧，也就是log(a) + log(b) = log(ab)，从而巧妙的避过了乘法，也就避免了溢出的风险。
其实calc函数就是实现了vertibi算法，不了解vertibi算法的同学自行百度吧。

然后再贴上整个__cut_DAG的源码：

    def __cut_DAG(self, sentence):
        DAG = self.get_DAG(sentence)
        route = {}
        self.calc(sentence, DAG, route)
        x = 0
        buf = ""
        N = len(sentence)
        while x < N:
            y = route[x][1] + 1
            l_word = sentence[x:y]
            if y - x == 1:
                buf += l_word
            else:
                if buf:
                    if len(buf) == 1:
                        yield buf
                        buf = ""
                    else:
                        if not self.FREQ.get(buf):
                            recognized = finalseg.cut(buf)
                            for t in recognized:
                                yield t
                        else:
                            for elem in buf:
                                yield elem
                        buf = ""
                yield l_word
            x = y

        if buf:
            if len(buf) == 1:
                yield buf
            elif not self.FREQ.get(buf):
                recognized = finalseg.cut(buf)
                for t in recognized:
                    yield t
            else:
                for elem in buf:
                    yield elem

其中，重点关注这一部分

                        if not self.FREQ.get(buf):
                            recognized = finalseg.cut(buf)
                            for t in recognized:
                                yield t

什么时候会进入finalseg.cut(buf)呢？实际上，就是当遇到一些dict.txt中没出现的词的时候，才会进入这个函数：
在这个函数中，就是使用HMM的方法，对这些未识别成功的词进行标注，然后我们来介绍一下项目中相关的内容：

其中，prob_start.py存储的是HMM的起始状态相关的信息，文件中的数字都经过log处理过：

P={"B": -0.26268660809250016,
 "E": -3.14e+100,
 "M": -3.14e+100,
 "S": -1.4652633398537678}

B代表begin，E代表end，M代表middle，S代表single。所以在开始时，HMM的状态只可能是S或者B，而E和M为负无穷
prob_trans.py存储的是状态转移矩阵：

P={"B": {"E": -0.510825623765990, "M": -0.916290731874155},
 "E": {"B": -0.5897149736854513, "S": -0.8085250474669937},
 "M": {"E": -0.33344856811948514, "M": -1.2603623820268226},
 "S": {"B": -0.7211965654669841, "S": -0.6658631448798212}}

prob_emit.py中存储的是在该状态下出现该汉字的概率，例如p("刘"|S)=-0.916

P={"B": {"u4e00": -3.6544978750449433,
       "u4e01": -8.125041941842026,
       "u4e03": -7.817392401429855,
       "u4e07": -6.3096425804013165,
       "u4e08": -8.866689067453933,
       "u4e09": -5.932085850549891,
       "u4e0a": -5.739552583325728,
       "u4e0b": -5.997089097239644,
       "u4e0d": -4.274262055936421,
       "u4e0e": -8.355569307500769,
       ......

通过这种方式，也就可以进行分词了。
‘我/ 来到/ 北京/ 清华大学’对应的状态应该为"SBEBEBMME"

其实__cut_DAG_NO_HMM和__cut_DAG的区别就是：对vertibi未成功切分的部分，__cut_DAG_NO_HMM没有使用HMM进行分词。源码如下：

    def __cut_DAG_NO_HMM(self, sentence):
        DAG = self.get_DAG(sentence)
        route = {}
        self.calc(sentence, DAG, route)
        x = 0
        N = len(sentence)
        buf = ""
        while x < N:
            y = route[x][1] + 1
            l_word = sentence[x:y]
            if re_eng.match(l_word) and len(l_word) == 1:
                buf += l_word
                x = y
            else:
                if buf:
                    yield buf
                    buf = ""
                yield l_word
                x = y
        if buf:
            yield buf
            buf = ""