精准定制：利用本地词库优化Jieba分词，提升景区评论数据LDA建模效果

引言：

在进行景区评论数据的LDA建模时，精确的分词是至关重要的。然而，通用的分词工具在处理特定领域的文本时可能表现不佳。针对这一挑战，本文探讨了如何利用本地词库，特别是搜狗词库中关于旅游领域的专业词汇，对Jieba分词进行精细化调整。通过这种方式，我们可以实现对景区评论数据的更精准、更有效的LDA建模，从而揭示出更深层次的见解和洞察。本文将探讨如何结合本地词库定制词典，优化分词过程，从而提升LDA模型的表现，为景区评论数据的分析与应用提供更可靠的基础。

正文

lda模型主题示意图
从主题结果来看分词结果有些词如中山市被分成中山市这种，为后期的LDA建模带来了误差。
因此组建自己的词库很有必要，替换默认词典+自定义词典的方式，对jieba的分词进行更精细化的调整。
查找了很多资料最终选择使用搜狗词库去组建自己的词库

首先下载相关词库

下载后将.scel文件转换为.txt文件

词库格式转化

使用以下脚本进行转换

#!/usr/bin/python
# -*- coding: utf-8 -*-


import struct
import sys
import binascii
import pdb

# 搜狗的scel词库就是保存的文本的unicode编码，每两个字节一个字符（中文汉字或者英文字母）
# 找出其每部分的偏移位置即可
# 主要两部分
# 1.全局拼音表，貌似是所有的拼音组合，字典序
#       格式为(index,len,pinyin)的列表
#       index: 两个字节的整数 代表这个拼音的索引
#       len: 两个字节的整数 拼音的字节长度
#       pinyin: 当前的拼音，每个字符两个字节，总长len
#
# 2.汉语词组表
#       格式为(same,py_table_len,py_table,{word_len,word,ext_len,ext})的一个列表
#       same: 两个字节 整数 同音词数量
#       py_table_len:  两个字节 整数
#       py_table: 整数列表，每个整数两个字节,每个整数代表一个拼音的索引
#
#       word_len:两个字节 整数 代表中文词组字节数长度
#       word: 中文词组,每个中文汉字两个字节，总长度word_len
#       ext_len: 两个字节 整数 代表扩展信息的长度，好像都是10
#       ext: 扩展信息 前两个字节是一个整数(不知道是不是词频) 后八个字节全是0
#
#      {word_len,word,ext_len,ext} 一共重复same次 同音词 相同拼音表

# 拼音表偏移，
startPy = 0x1540;

# 汉语词组表偏移
startChinese = 0x2628;

# 全局拼音表

GPy_Table = {}

# 解析结果
# 元组(词频,拼音,中文词组)的列表
GTable = []


def byte2str(data):
    '''将原始字节码转为字符串'''
    i = 0;
    length = len(data)
    ret = u''
    while i < length:
        x = data[i:i+2]
        t =  chr(struct.unpack('H', x)[0])
        if t == u'\r':
            ret += u'\n'
        elif t != u' ':
            ret += t
        i += 2
    return ret


# 获取拼音表
def getPyTable(data):
    if data[0:4] != bytes(map(ord,"\x9D\x01\x00\x00")):
        return None
    data = data[4:]
    pos = 0
    length = len(data)
    while pos < length:
        index = struct.unpack('H', data[pos:pos +2])[0]
        # print index,
        pos += 2
        l = struct.unpack('H', data[pos:pos + 2])[0]
        # print l,
        pos += 2
        py = byte2str(data[pos:pos + l])
        # print py
        GPy_Table[index] = py
        pos += l


# 获取一个词组的拼音
def getWordPy(data):
    pos = 0
    length = len(data)
    ret = u''
    while pos < length:
        index = struct.unpack('H', data[pos:pos + 2])[0]
        ret += GPy_Table[index]
        pos += 2
    return ret


# 获取一个词组
def getWord(data):
    pos = 0
    length = len(data)
    ret = u''
    while pos < length:
        index = struct.unpack('H', data[pos:pos +2])[0]
        ret += GPy_Table[index]
        pos += 2
    return ret


# 读取中文表
def getChinese(data):
    # import pdb
    # pdb.set_trace()

    pos = 0
    length = len(data)
    while pos < length:
        # 同音词数量
        same = struct.unpack('H', data[pos:pos + 2])[0]
        # print '[same]:',same,

        # 拼音索引表长度
        pos += 2
        py_table_len = struct.unpack('H', data[pos:pos + 2])[0]
        # 拼音索引表
        pos += 2
        py = getWordPy(data[pos: pos + py_table_len])

        # 中文词组
        pos += py_table_len
        for i in range(same):
            # 中文词组长度
            c_len = struct.unpack('H', data[pos:pos +2])[0]
            # 中文词组
            pos += 2
            word = byte2str(data[pos: pos + c_len])
            # 扩展数据长度
            pos += c_len
            ext_len = struct.unpack('H', data[pos:pos +2])[0]
            # 词频
            pos += 2
            count = struct.unpack('H', data[pos:pos +2])[0]

            # 保存
            GTable.append((count, py, word))

            # 到下个词的偏移位置
            pos += ext_len


def deal(file_name):
    print
    '-' * 60
    f = open(file_name, 'rb')
    data = f.read()
    f.close()

    if data[0:12] != bytes(map(ord,"\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00")):
        print
        "确认你选择的是搜狗(.scel)词库?"
        sys.exit(0)
    # pdb.set_trace()

    print
    "词库名：", byte2str(data[0x130:0x338])  # .encode('GB18030')
    print
    "词库类型：", byte2str(data[0x338:0x540])  # .encode('GB18030')
    print
    "描述信息：", byte2str(data[0x540:0xd40])  # .encode('GB18030')
    print
    "词库示例：", byte2str(data[0xd40:startPy])  # .encode('GB18030')

    getPyTable(data[startPy:startChinese])
    getChinese(data[startChinese:])


if __name__ == '__main__':

    # 将要转换的词库添加在这里就可以了
    o = ['旅游词汇大全【官方推荐】.scel',"旅游词汇大全.scel","旅游词汇大全 (1).scel"]

    for f in o:
        deal(f)

    # 保存结果
    f = open('sougou.txt', 'w',encoding='utf-8')
    for count, py, word in GTable:
        # GTable保存着结果，是一个列表，每个元素是一个元组(词频,拼音,中文词组)，有需要的话可以保存成自己需要个格式
        # 我没排序，所以结果是按照上面输入文件的顺序
        f.write((('{%(count)s}' % {'count': count} + py + ' ' + word)))  # 最终保存文件的编码，可以自给改
        f.write('\n')
    f.close()

运行结果示意图

对词库进行去除和预处理

将众多词库解析统合后得到4000多个词条，接着进行去重和预处理
编写脚本entry_preprocessing.py进行处理

# Author: 冷月半明
# Date: 2024/1/26
# Description: 将统合后的词库进行预处理，只保留每行的中文字段，然后进行去重.
import re

# 读取文件并提取中文字段
def extract_chinese(file_path):
    chinese_words = set()  # 用集合来存储中文字段，实现去重
    with open(file_path, 'r', encoding='utf-8') as file:
        for line in file:
            chinese = re.findall(r'[\u4e00-\u9fa5]+', line)  # 使用正则表达式提取中文
            if chinese:
                chinese_words.add(chinese[0])
    return chinese_words

# 文件路径
file_path = 'sougou.txt'

# 提取中文字段并去重
chinese_words = extract_chinese(file_path)

# 将中文字段保存到txt文件
output_file = 'chinese_words.txt'
with open(output_file, 'w', encoding='utf-8') as file:
    for word in chinese_words:
        file.write(word + '\n')

print(f"去重后的中文字段已保存到文件: {output_file}")