技术标签: 算法 机器学习 1024程序员节 人工智能 自然语言处理
最近在学自然语言处理,这是第一个上机实验自然语言处理的分词算法,也是自然语言处理比较入门的算法。和大家分享一下。
首先,自然语言处理,英文是(Nature Language Process),简称“NLP"。是人工智能发展的的热门方向,也是和人交互最为相关的人工智能的应用方向。因为是和人打交道,那么需要以人的交流方式–语言来进行交互。
下面给大家介绍NLP里面最基础的算法–分词算法。
一个好的NLP系统一定要有完备的词典,用于判断算法分出的词是否是具有实际意义的词。比如,“吃饭”,“睡觉”等。从而过滤掉那些没有实际意义的词。比如,“的是”,“是吃”等。
目前比较熟著名且成熟的词典有:
搜狗实验室发布的互联网词库(SogouW,其中有15万个词条)
清华大学开放中文词库(THUOCL)
码农场千万级巨型汉语词库(千万级词条)
这里介绍常用的切分算法,具体分为完全切分、正向最长匹配、逆向最长匹配、双向最长匹配算法。
完全切分指的是,找出一段文本中的所有有意义单词,不是标准意义上的分词。
具体实现在代码实现部分的fully_segment的函数部分
就是说从前往后,递增查词,优先输出更长的单词。
具体实现在代码实现部分的forward_segment的函数部分
与正向最长匹配相反,从后往前,递减查词,优先输出更长的单词,据统计这种方法更具可靠性。
具体实现在代码实现部分的backward_segment的函数部分
属于对正向最长匹配和逆向匹配的折中方案。属于融合两种匹配方法的复杂规则集,流程如下:
1.同时执行正向最长匹配和逆向最长匹配,若两者的次数不同,则返回次数更少的那一个。
2.如果相等,返回两者中单字更少的那一个,当单子数也相同时,优先返回逆向最长匹配的结果。
具体实现在代码实现部分的all_segment的函数部分
这里引用了几个经典的例子。读者可以自行修改体验。运行代码时,要输入的句子可以是“项目的研究”“商品和服务”“研究生命起源”“当下雨天地面积水”“结婚的和尚未结婚的”“欢迎新老师生前来就餐”。
def select_word(text):
result = 0
for i in text:
if(len(i)==1):
result += 1
return result
def fully_segment(text,dic):
word_list = []
for i in range(len(text)):
for j in range(i+1,len(text)+1):
word=text[i:j]
if word in dic:
word_list.append(word)
return word_list
def forward_segment(text,dic):
word_list = []
i = 0
while(i<len(text)):
longest_word = text[i]
for j in range(i+1,len(text)+1):
word = text[i:j]
if word in dic:
if len(word)>len(longest_word):
longest_word = word
word_list.append(longest_word)
i += len(longest_word)
return word_list
def backward_segment(text,dic):
word_list = []
i = len(text)-1
while(i>=0):
longest_word = text[i]
for j in range(0,i):
word = text[j:i+1]
if word in dic:
if len(word)>len(longest_word):
longest_word = word
word_list.insert(0,longest_word)
i -= len(longest_word)
return word_list
def all_segment(text,dic):
list_forward = forward_segment(text,dic)
list_backward = backward_segment(text,dic)
list_final = []
if(len(list_forward)>len(list_backward)):
list_final = list_backward[:]
elif(len(list_forward)<len(list_backward)):
list_final = list_forward[:]
else:
if(select_word(list_forward)>select_word(list_backward)):
list_final = list_backward[:]
elif(select_word(list_forward)<select_word(list_backward)):
list_final = list_forward[:]
else:
list_final = list_backward[:]
return list_final
dic = [ "项目","研究","目的","商品","服务","和服","研究生","结婚","和尚","结婚","尚未",\
"生命","起源","当下","雨天","地面","积水","下雨天","欢迎","老师","生前","就餐","迎新","师生","前来"]
if __name__ == "__main__":
while(1):
a = input("请输入你要分词的句子:(输入0结束输入)")
if(a=='0'):
print("输入结束!")
break
b = fully_segment(a,dic)
print("分词的结果",b)
list_forward = forward_segment(a,dic)
list_backward = backward_segment(a,dic)
list_all = all_segment(a,dic)
print("正向最长匹配",list_forward)
print("逆向最长匹配",list_backward)
print("双向最长匹配",list_all)
输出结果分析
序号 | 原文 | 正向最长匹配 | 逆向最长匹配 | 双向最长匹配 |
---|---|---|---|---|
1 | 项目的研究 | [‘项目’, ‘的’, ‘研究’] | [‘项’, ‘目的’, ‘研究’] | [‘项’, ‘目的’, ‘研究’] |
2 | 商品和服务 | [‘商品’, ‘和服’, ‘务’] | [‘商品’, ‘和’, ‘服务’] | [‘商品’, ‘和’, ‘服务’] |
3 | 研究生命起源 | [‘研究生’, ‘命’, ‘起源’] | [‘研究’, ‘生命’, ‘起源’] | [‘研究’, ‘生命’, ‘起源’] |
4 | 当下雨天地面积水 | [‘当下’, ‘雨天’, ‘地面’, ‘积水’] | [‘当’, ‘下雨天’, ‘地面’, ‘积水’] | [‘当下’, ‘雨天’, ‘地面’, ‘积水’] |
5 | 结婚的和尚未结婚的 | [‘结婚’, ‘的’, ‘和尚’, ‘未’, ‘结婚’, ‘的’] | [‘结婚’, ‘的’, ‘和’, ‘尚未’, ‘结婚’, ‘的’] | [‘结婚’, ‘的’, ‘和’, ‘尚未’, ‘结婚’, ‘的’] |
6 | 欢迎新老师生前来就餐 | [‘欢迎’, ‘新’, ‘老师’, ‘生前’, ‘来’, ‘就餐’] | [‘欢’, ‘迎新’, ‘老’, ‘师生’, ‘前来’, ‘就餐’] | [‘欢’, ‘迎新’, ‘老’, ‘师生’, ‘前来’, ‘就餐’] |
文章浏览阅读2.6k次,点赞5次,收藏13次。1)5.2.1弹出两次已连接或者未连接这是因为你同时打开了流量和WiFi,他就会发出两次广播。2)5.3.1中发送自定义广播问题标准广播未能弹出消息:Intent intent=new Intent("com.example.broadcasttest.MY_BROADCAST");sendBroadcast(intent);上述已经失效了。修改:Intent intent=new Intent("com.example.broadcasttest...._代码里的广播错误
文章浏览阅读249次。作者 |平名 阿里服务端开发技术专家导读:Kubernetes 作为云原生时代的“操作系统”,熟悉和使用它是每名用户的必备技能。本篇文章概述了容器服务 Kubernet..._k8知识库
文章浏览阅读923次。分别是etc/pear.conf,etc/php-fpm.conf, etc/php-fpm.d/www.conf,lib/php.ini。php8安装基本一致,因为一个服务期内有2个版本,所以注意修改不同的安装目录和端口号。可以直接使用sbin下的nginx命令启动服务。完成编译安装需要gcc支持,如果没有,使用如下命令安装。安装过程基本一致,下面是安装7.1.33的步骤。执行如下命令,检查已经安装的包和可安装的包。执行如下命令,检查已经安装的包和可安装的包。执行如下命令,检查已经安装的包和可安装的包。_tencentos-3.1
文章浏览阅读3.1w次,点赞21次,收藏75次。import urllib.requesturl = 'https://www.python.org'# 方式一response = urllib.request.urlopen(url)print(type(response)) # <class 'http.client.HTTPResponse'># 方式二request = urllib.request.Req..._urllib.request.urlopen(url)
文章浏览阅读1.5k次,点赞12次,收藏15次。如何用ChatGPT+GEE+ENVI+Python进行高光谱,多光谱成像遥感数据处理?
文章浏览阅读1.2k次。RS485总线常识 2010-10-12 15:56:36| 分类: 知识储备 | 标签:rs485 总线 传输 差分 |字号大中小 订阅RS485总线RS485采用平衡发送和差分接收方式实现通信:发送端将串行口的TTL电平信号转换成差分信号A,B两路输出,经过线缆传输之后在接收端将差分信号还原成TTL电平信号。由于传输线通常使用双绞线,又是差分传输,所_rs485 差分走綫間距
文章浏览阅读621次。u-boot、linux烧录_uboot制作
文章浏览阅读1.2w次,点赞10次,收藏44次。windos上git安装,git bash安装_64-bit git for windows setup.
文章浏览阅读196次。环形链表(算法java)的两种解决方法_java 实现环形链表
文章浏览阅读5.7k次。Airflow什么是 Airflow?Airflow 的架构Airflow 解决哪些问题一、docker-compose 安装airflow(postgres)1、创建启动文件airflow-docker-compose.yml.1.1、添加挂载卷,需要修改airflow-docker-compose.yml的位置2、创建本地配置文件airflow.cfg2.1、如果想修改WEB URL地址,需要修改airflow.cfg中以下两个地方3、之后up -d直接启动即可web访问地址:二、存储数据库更换post_airflow docker
文章浏览阅读28次。选题背景:随着社会的发展和教育的普及,高校教务管理系统在现代高等教育中扮演着至关重要的角色。传统的手工管理方式已经无法满足高校日益增长的规模和复杂的管理需求。因此,开发一套高效、智能的教务管理系统成为了当今高校管理的迫切需求。选题意义:高校教务管理系统的开发具有重要的意义和价值。首先,它可以提高高校教务管理的效率和准确性。通过自动化处理学生选课、排课、考试安排等繁琐的事务,大大减轻了教务人员的工作负担,提高了工作效率。同时,系统可以实时更新学生信息和课程信息,减少了数据错误和冗余,保证了管理的准确性
文章浏览阅读132次。首页>基础教程>常用类>常用 Integer类Java Integer转换double,float,int,long,stringjava中Integer类可以很方便的转换成double,float,int,long,string等类型,都有固定的方法进行转换。方法double doubleValue() //以 double 类型返回该 Integer 的值。flo..._java integet接收float类型的参数