如何进行NLP基本工具jieba的关键词提取及词性标注，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
为武侯等地区用户提供了全套网页设计制作服务，及武侯网站建设行业解决方案。主营业务为成都网站建设、做网站、武侯网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
jieba还可以进行关键词提取以及词性标注。
使用：
importjieba # 导入 jieba
importjieba.analyse as anls #关键词提取
importjieba.posseg as pseg #词性标注
其中，关键词提取有两种算法：
第一种是TF-IDF算法（Term Frequency-Inverse Document Frequency, 词频-逆文件频率），其基本思想为：一个词语在一篇文章中出现次数越多，同时在所有文档中出现次数越少，越说明该词语能够代表该文章。
第二种是TextRank算法，基本思想：
将待抽取关键词的文本进行分词
以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
计算图中节点的PageRank，无向带权图
代码：
TF-IDF: jieba.analyse.extract_tags(sentence,topK=20, withWeight=True, allowPOS=())
TextRank:jieba.analyse.textrank(sentence, topK=20, withWeight=True)
其中，topK是输出多少个关键词，withWeight是否输出每个关键词的权重。
输入语句“jieba除了最重要的功能--分词之外，还可以进行关键词提取以及词性标注”：
TF-IDF输出的关键词:
词性 0.91
jieba0.85
-- 0.85
分词 0.84
标注 0.66
关键词 0.64
提取 0.54
之外 0.42
功能 0.39
除了 0.37
重要 0.29
以及 0.29
进行 0.27
可以 0.25
TextRank输出的关键词:
词性 1.00
提取 0.99
关键词 0.99
功能 0.90
分词 0.90
进行 0.76
标注 0.75
相对而言，TextRank输出的关键词更规整一些。
词性标注
使用jieba.posseg进行词性的标注。
代码：
importjieba.posseg
words =jieba.posseg.cut("我来到北京清华大学")
for x, win words:
print('%s %s' % (x, w))
输出：
我 r
来到 v
北京 ns
清华大学 nt
看完上述内容，你们掌握如何进行NLP基本工具jieba的关键词提取及词性标注的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！
