jieba结巴分词，如何加载自定义分词词典？条目词性权重

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

jieba结巴分词，如果对于分词结果不满意的话，可以使用load_userdict函数加载自定义分词词典，也可以使用add_word函数加载某一条条目，同时还可以自定义词性和权重，通过调整权重就可以影响最终的分词结果。

大家好，这里是苏南大叔的程序如此灵动博客，这里记录苏南大叔和计算机代码的故事。本文描述结巴分词加载自定义条目的两种方式。测试环境：win10，python@3.6.8，jieba@0.42.1。

jieba.add_word()

基本格式：

jieba.add_word(文字,权重,词性)
jieba.add_word(文字)
jieba.add_word(文字,tag="")

这种方式的弊端就是：如果权重填的太低，比如“0”。那么，这个条目极有可能是不生效的。

测试代码如下：

jieba.add_word("毕业于", 999, "aaa")
jieba.del_word("毕业于")
jieba.del_word("毕业于",tag="aaa")

• jieba.add_word()是有几个变种，主要是用于添加一个条目。
• 如果没有生效，就需要增加权重值。
• 最后一个参数，用于定义一个词性。当然，词性归属需要遵守通用的词性标准。
• 有个add_word()函数，就有个del_word()函数。

jieba.load_userdict()

比起一个一个的条目单个添加，也可以把这些条目定义在一个.txt文本里面，格式如下：

文本  权重  词性

或者

文本  词性

格式如下图所示：

测试代码：

jieba.load_userdict("dict.txt")

可能遇到的问题

在实际的代码运行过程中，可能会出现找不到文件的情况。报错信息类似如下：

File "/opt/anaconda3/lib/python3.8/site-packages/jieba/__init__.py", line 398, in load_userdict
  f = open(f, 'rb')
FileNotFoundError: [Errno 2] No such file or directory: 'test.txt'

那么，可以考虑下面的类似代码，使用os来拼接一下【绝对路径】。

jieba.load_userdict(os.path.join(os.path.dirname(__file__), "userdict.txt"))

最终代码

结合上一次的结巴分词的文章，相关链接：

• https://newsn.net/say/jieba-cut.html

添加自定义词典的功能，测试代码如下：

import jieba, jieba.posseg, os
jieba.load_userdict(os.path.join(os.path.dirname(__file__), "userdict.txt"))
jieba.add_word("毕业于", 999, "aaa")
# jieba.del_word("毕业于")
words = "苏南大叔毕业于北京大学"
seg_list = jieba.cut(words)
print('/ '.join(seg_list))          # 苏南大叔/ 毕业于/ 北京大学
result = jieba.posseg.cut(words)
res = ""
for w in result:
    res += w.word+"/"+w.flag + " "
print(res)                          # 苏南大叔/nnn 毕业于/aaa 北京大学/nt

如果没有自定义词典的话，这个分词结果是：

苏南/ 大叔/ 毕业/ 于/ 北京大学
苏南/ns 大叔/n 毕业/n 于/p 北京大学/nt

有了自定义词典之后，分词结果如下：

苏南大叔/ 毕业于/ 北京大学
苏南大叔/nnn 毕业于/aaa 北京大学/nt

当然，这里的nnn词性和aaa词性，都是瞎编的。实际上并没有通用的标准里面，并没有这两个词性定义。

相关文档

• https://newsn.net/say/jieba.html
• https://newsn.net/say/jieba-cut.html

综述

结巴分词可以通过自定义分词词典来获得更好的分词效果。其中，如果自定义的分词词条如果没有生效的话，需要增加权重。更多结巴分词的经验文章，请点击：

• https://newsn.net/tag/jieba/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。