HanLP-分类模块的分词器介绍

 

最近发现一个很勤快的大神在分享他的一些实操经验，看了一些他自己关于hanlp方面的文章，写的挺好的！转载过来分享给大家！以下为分享原文（无意义的内容已经做了删除）

如下图所示，HanLP的分类模块中单独封装了适用分类的分词器，当然这些分词器都是对HanLP提供的分词器的封装。分类模块中提供的分词器都在tokenizer包中。包括：

BigramTokenizer这是一个2gram分词器，也就是把连续的2字认为是一个词

BlankTokenizer这是一个空白符分词器，以文本中的空白符作为词语间隔

HanLPTokenizer这是一个实词分词器，也就是只保留实词，它是分类模块的默认分词器

 

 

 

如果需要修改分类模块的分词器，需要在加载文本数据之前，设置分词器，示例代码如下：

 

IDataSet trainingCorpus = new FileDataSet().                          // FileDataSet省内存，可加载大规模数据集

            setTokenizer(new HanLPTokenizer()).                               // 支持不同的ITokenizer，详见源码中的文档

            load(CORPUS_FOLDER, "UTF-8", 0.9);               // 前90%作为训练集

        IClassifier classifier = new NaiveBayesClassifier();

        classifier.train(trainingCorpus);

 

还需要注意的是，这三种分词器其实都不太适合做情感分类的分词器，如果想用标准分词器作为情感分类的分词器，则用户需要自定义一个分词器类，该类需要实现ITokenizer接口并封装标准分词器。（如果直接调用setTokenizer方法传递下图HanLP分词器包中的分词器实例，则会报错）