adnb34g
- 浏览: 82694 次
-
最新评论
文章列表
中文分词工具之基于字标注法的分词
- 博客分类：
- 人工智能，机器学习
基于字标注法的分词
中文分词字标注通常有2-tag,4-tag和6-tag这几种方法，其中4-tag方法最为常用。标注集是依据汉字（其中也有少量的非汉字字符）在汉语词中的位置设计的。
1. 2-tag法
2-tag是一种最简单的标注方法,标注集合为{B,I}，其将词首标记设计为B，而将词的其他位置标记设计为I。例如词语“重庆”的标注结果是“重/B 庆/I”，而“大学生”的标注结果为“大/B 学
自然语言处理工具中的中文分词器介绍
- 博客分类：
- 人工智能，机器学习
中文分词是中文文本处理的一个基础步骤，也是中文人机自然语言交互的基础模块，不同于英文的是，中文句子中没有词的界限，因此在进行中文自然语言处理时，通常需要先进行分词，分词效果将直接影响词性，句法树等模块的效果，当然分词只是一个工具，场景不同，要求也不同。在人机自然语言交互中，成熟的中文分词算法能够达到更好的自然语言处理效果，帮助计算机理解复杂的中文语言。
基于词典分词算法
基于词典分词算法，也称为字符串匹配分词算法。该算法是按照一定的策略将待匹配的字符串和一个已经建立好的"充分大的"词典中的词进行匹配，若找到某个词条，则说明匹配成功，识别了该词。常见的基于词典的分 ...
Ansj与hanlp分词工具对比
- 博客分类：
- 人工智能，机器学习
一、Ansj
1、利用DicAnalysis可以自定义词库：
2、但是自定义词库存在局限性，导致有些情况无效：
比如：“不好用“的正常分词结果：“不好，用”。
（1）当自定义词库”好用“时，词库无效，分词结果不变。
...
分词工具的选择：
现在对于中文分词，分词工具有很多种，比如说：jieba分词、thulac、SnowNLP等。在这篇文档中，笔者使用的jieba分词，并且基于python3环境，选择jieba分词的理由是其比较简单易学，容易上手，并且分词效果还很不错。
分词前的准备：
待分词的中文文档
存放分词之后的结果文档
中文停用词文档（用于去停用词，在网上可以找到很多）
分词之后的结果呈现：
图1 去停用词和分词前的中文文档
图
本文是整理了部分网友在配置hanlp自定义词典时遇到的一小部分问题，同时针对这些问题，也提供另一些解决的方案以及思路。这里分享给大家学习参考。
要使用hanlp加载自定义词典可以通过修改配置文件hanlp.properties来实现。
要注意的点是:
1.root根路径的配置:
hanlp.properties中配置如下:
#本配置文件中的路径的根目录，根目录+其他路径=完整路径（支持相对路径）
HanLP-分类模块的分词器介绍
- 博客分类：
- 人工智能，机器学习
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 ...
概述
本文都是基于elasticsearch安装教程 中的elasticsearch安装目录(/opt/environment/elasticsearch-6.4.0)为范例
环境准备
·全新最小化安装的centos 7.5
·elasticsearch 6.4.0
认识中文分词器
在博文elasticsearch分词器中提到elasticsearch能够快 ...
HanLP-最短路径分词
- 博客分类：
- 大数据，hadoop
今天介绍的内容是最短路径分词。最近换回了thinkpad x1，原因是mac的13.3寸的屏幕看代码实在是不方便，也可能是人老了吧，^_^。等把HanLP词法分析介绍结束后，还是会换回macbook pro的。个人有强迫症，只要看或写Java或C/C++代码 ...
史上最全中文分词工具整理
- 博客分类：
- 大数据，hadoop
一．中文分词
二．准确率评测：
THULAC：与代表性分词软件的性能对比
我们选择LTP-3.2.0 、ICTCLAS(2015版) 、jieba(C++版)等国内具代表性的分词软件与THULAC做性能比较。我们选择Windows作为测试环境，根据第二届国际汉语分词测评（The SecondInternational Chinese Word Segmentation Bakeoff)发布的国际中文分词测评标准，对不同软件进行了速度和准确率测试。
在第二届国际汉语分词测评中，共有四家单位提供的测试语料(Academia Sinica、 City Universi ...
一、中文分词工具
（1）Jieba
（2）snowNLP分词工具
（3）thulac分词工具
以下分词工具均能在Python环境中直接调用（排名不分先后）。
1、jieba（结巴分词） 免费使用
2、HanLP（汉语言处理包） 免费使用
3、SnowNLP（中文的类库） 免费使用
4、FoolNLTK（中文处理工具包） 免费使用
5、Jiagu（甲骨NLP） 免费使用
6、pyltp（哈工大语言云） 商用需要付费
在进行文本分类（非情感分类）时，我们经常只保留实词（名、动、形）等词，为了文本分类的分词方便，HanLP专门提供了实词分词器类NotionalTokenizer，同时在分类数据集加载处理时，默认使用了NotionalTokenizer分词器。
在HanLPJava版代码库中可以查看下边的文件中的函数
1、AbstractDataSet.java文件中的AbstractDataSet方法
2、HanLPTokenizer.java文件中的segment方法
3、NotionalTokenizer.java文件中的segment方法
一、说明
博主的配置
1：window10
2：myeclipse
3：jdk1.8
备注：文章分享自贾继康的博客，博客使用的hanlp是1.6.8的版本。大家可以去下载最新的1.7版本了，也比较推荐使用最新的这个版本！
二、资源获取
1、hanlp jar包获取：可以github上下载。本文中使用的是hanlp-1.6.8.zip版本
2、数据包获取
三、配置说明
1、配置jar包
获取hanlp-1.6.8.zip中的jar包添加到eclipse项目中
A：在自己的项目(java_natio ...
停用词表的修改
停用词表在“pyhanlp\static\data\dictionary”路径下的“stopwords.txt”文件中，CoreStopWordDictionary.apply方法支持去除停用词。如果需要修改停用词表，则直接编辑文件“stopwords.txt”，之后删除路径下的“stopwords.txt.bin”，运行CoreStopWordDictionary.apply后即可自动生效。有关验证的方法见“验证是否生效”小节。
自定义词语过滤方法
用户可以通过编写“pyhanlp\static”路径下的“MyFilter.java”文件设置自己的词语过滤方法。应 ...
自然语言处理工具hanlp定制用户词条
作者：baiziyu
关于hanlp的文章已经分享过很多，似乎好像大部分以理论性的居多。最近有在整理一些hanlp应用项目中的文章，待整理完成后会陆续分享出来。本篇分享的依然是由baiziyu 分享的一篇文章，感兴趣的可以在知乎上关注下他的专栏，写的还是挺好的！
以下为文章的主要内容：
自定义词表的修改
自定义词表在“pyhanlp\static\data\dictionary\custom”路径下的“CustomDictionary.txt”文件中，HanLP.segment支持自定义此词表。如果需要修改自定义词表，则直接编辑文件“Custo ...