Python jieba结巴分词原理及用法解析

江岸

发布时间：2026-10-15 | 2人浏览过

原创

本文深入解析Python jieba库的三种分词模式（全模式、精简模式、搜索引擎模式），详解如何添加自定义词典以控制词语切分，并探讨基于隐马尔可夫模型（HMM）和Viterbi算法处理未登录词的底层原理。通过代码示例展示jieba在实际应用中的灵活配置与参数调整方法。

jieba分词概述

简要说明

jieba库支持三种不同的分词模式，并且具备繁体字识别能力，同时允许用户通过自定义词典来优化分词效果。

三种分词模式详解

三种分词模式

全模式：该模式会扫描句子中所有可能构成词语的片段，虽然执行速度极快，但无法有效解决词语切分中的歧义问题。

精简模式：此模式旨在输出最精确的分词结果，不会添加多余的词汇，其效果类似于对句子进行自然的断句处理。

搜索引擎模式：在精简模式的基础上，该模式会对长词进行进一步的二次切分，以更好地适应搜索引擎的检索需求。


# -*- encoding=utf-8 -*-

import jieba

if __name__ == '__main__':
  str1 = '我去北京天安门广场跳舞'
  a = jieba.lcut(str1, cut_all=True) # 全模式
  print('全模式:{}'.format(a))
  b = jieba.lcut(str1, cut_all=False) # 精简模式
  print('精简模式:{}'.format(b))
  c = jieba.lcut_for_search(str1) # 搜索引擎模式
  print('搜索引擎模式:{}'.format(c))

运行

自定义词典控制分词

当遇到某些特定词语时，用户可能希望保持其完整性不被切分。


# -*- encoding=utf-8 -*-

import jieba

if __name__ == '__main__':
  str1 = '桃花侠大战菊花怪'
  b = jieba.lcut(str1, cut_all=False) # 精简模式
  print('精简模式:{}'.format(b))
  # 如果不把桃花侠分开
  jieba.add_word('桃花侠')
  d = jieba.lcut(str1) # 默认是精简模式
  print(d)

运行

HMM模型与未登录词处理

反之，如果希望强制将某个复合词拆分为更小的单元，可以通过调整词典频率来实现。


# -*- encoding=utf-8 -*-

import jieba

if __name__ == '__main__':
  # HMM参数，默认为True
  '''HMM 模型，即隐马尔可夫模型（Hidden Markov Model, HMM），是一种基于概率的统计分析模型，
  用来描述一个系统隐性状态的转移和隐性状态的表现概率。
  在 jieba 中，对于未登录到词库的词，使用了基于汉字成词能力的 HMM 模型和 Viterbi 算法，
  其大致原理是：
  采用四个隐含状态，分别表示为单字成词，词组的开头，词组的中间，词组的结尾。
  通过标注好的分词训练集，可以得到 HMM 的各个参数，然后使用 Viterbi 算法来解释测试集，得到分词结果。
  '''
  str1 = '桃花侠大战菊花怪'
  b = jieba.lcut(str1, cut_all=False, HMM=False) # 精简模式，且不使用HMM模型
  print('精简模式:{}'.format(b))
  # 分开大战为大和战
  jieba.suggest_freq(('大', '战'), True)
  e = jieba.lcut(str1, HMM=False) # 不使用HMM模型
  print('分开:{}'.format(e))

运行