1.常见的中文分词工具
中科院计算所的NLPIR
哈工大LTP
清华大学THULAC
斯坦福分词器
Hanlp分词器
jieba分词
IKAnalyzer
2.jieba分词算法主要有以下三种：
1.基于统计词典，构造前缀词典，基于前缀词典对句子进行切分，得到所有切分可能，根据切分位置，构造一个有向无环图(DAG)
2.针对DAG图，采用动态规划计算最大概率路径（最优可能的分词结果），根据最大概率路径分词
3.对新词（词库中没有的词），采用有汉字成词能力的HMM模型进行切分。
import jiebacontent = "现在，机器学习和深度学习带动人工智能飞速的发展，并在图像处理、语音识别领域取得巨大成功。"3.精确分词：精确模式试图将句子最精确地切开，精确分词也是默认的分词方式
segs_1 = jieba.cut(content, cut_all=False)print("/".join(segs_1))4.全模式分词:把句子中所有的可能是词语的都扫描出来，速度非常快，但不能解决歧义。
segs_2 = jieba.cut(content, cut_all=True)print("/".join(segs_2))5.搜索引擎模式：在精确模式的基础上，对长词再次进行划分，提高召回率Recall，适用于搜索引擎分词。
segs_3 = jieba.cut_for_search(content)print("/".join(segs_3))6.用lcut生成list
jieba.cut和jieba.cut_for_search返回的结果都是一个可迭代的生成器，可以使用for循环来获得分词后得到的每个词语(unicode编码)。jieba.lcut对cut的结果进行了封装，l代表list，即返回的结果是一个list集合。同样的，用jieba.lcut_for_search()也直接返回list集合。
segs_4 = jieba.lcut(content)print(segs_4)7.获取词性
jieba可以很方便地获取中文词性，通过jieba.posseg模块实现词性标注
import jieba.posseg as psg[(x.word, x.flag) for x in psg.lcut(content)]8.并行分词
并行分词原理是为文本按行分隔后，分配到多个python进程并进行分词，最终归并结果。
并行分词仅支持默认分词器jieba.dt和jieba.posseg.dt,目前暂不支持windows系统。
jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数jieba.disable_parallen() # 关闭并行分词模式9.获取分词结果中词列表的top N
from collections import Countertop5 = Counter(segs_4).most_common(5)top510.自定义添加词和字典
默认情况下，使用默认分词，是识别不出来这句话中的“字节跳动”这个新词，这里使用用户字典提高分词的准确性。
txt = "字节跳动是中国一家新兴的互联网公司。"segs_5 = jieba.lcut(txt)segs_5
添加一个新词到字典中，结果就不一样了
jieba.add_word("字节跳动")segs_6 = jieba.lcut(txt)segs_6
但是，如果要添加很多个词语时，一个个添加效率就不高了。这时候可以定义一个文件，然后通过load_userdict()函数，加载自定义词典，如下所示：
txt1 = "火山小视频是字节跳动公司开发的一款应用软件。"jieba.load_userdict("user_dict.txt") # user_dict.txt是自己创建的一个自定义的新词词典segs_7 = jieba.lcut(txt1)segs_711.注意的地方
jieba.cut()方法接收三个输入参数：需要分词的字符串、cut_all参数用来控制是否采用全模式、HMM参数用来控制是否使用HMM模型
jieba.cut_for_search()方法接收两个参数：需要分词的字符串、是否使用HMM模型。该方法适用于搜索引擎构建倒排索引的分词，细粒度较高。
12.相关说明
中文词性标注中的符号说明
