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1.5w次,点赞2次,收藏48次。1、首先使用npm安装CodeMirror插件,sql-formatter格式化插件npm install --save codemirrornpm install --save sql-formatter2、然后引入该文件import 'codemirror/theme/ambiance.css'import 'codemirror/lib/codemirror.css'import 'codemirror/addon/hint/show-hint.css'const ..._codemirror sql语法检查
文章浏览阅读4.9k次。让Spring能够把作为ResponseBody返回的Java对象自动使用Jackson序列化为JSON根式这样,只要在控制器方法上添加@ResponseBody注解(或在控制器类上添加@RestController注解),则方法返回值就会被Jackson自动序列化为JSON格式返回。见配置文件片段:class="org.springfr_kebabcasestrategy snakecasestrategy lowercasestrategy
文章浏览阅读1.8w次。不从恶人的计谋,不站罪人的道路,不坐亵慢人的座位,惟喜爱耶和华的律法,昼夜思想,这人便为有福!他要像一棵树栽在溪水旁,按时候结果子,叶子也不枯干。凡他所做的尽都顺利。_mybatis分页拦截器
文章浏览阅读363次。在我们对这个博客以前的文章中,我们使用红酒程序安装和运行在Ubuntu和其他红帽的Linux发行版基于Windows应用程序。 没有可称为PlayOnLinux另一个开源软件,使用葡萄酒作为它的基础,并提供一个功能丰富的功能和友好的用户界面安装和在Linux上运行Windows应用程序。 该软件的目的是简化和自动化安装和运行在Linux平台上的窗口的应用程序的过程。 它有一个应用程序列表,您可以在..._playonlinux
文章浏览阅读1.7k次。 继前面微软公司发布Windows Communication Foundation (WCF)和Windows CardSpace的示例程序之后,微软今天又发布了WF的教程和大量示例,对于学习WF的朋友来说,是一份很好的学习资料。下载包括教程和示例两个压缩包,在示例部分包括如下的Application:l OrderingStateMachinel _微软wf教程
文章浏览阅读1k次。GDI+学习之线性渐变画刷_gdi+线性画刷
文章浏览阅读6.4k次,点赞6次,收藏29次。#一、硬件连接串口引脚TXDDIO_2RXDDIO_3二、移植文件链接:https://pan.baidu.com/s/1cC8HA_GC6e3Kci1ayvJPIA 提取码:xdke将 uart.c 和 uart.h 两个文件拖拽至CCS工程的Application文件夹下添加文件过程中,选项选择如下2.1 uart.c/**********..._cc2640r2串口使用
文章浏览阅读1.6k次。ORACLE的启动和关闭1、在单机环境下要想启动或关闭ORACLE系统必须首先切换到ORACLE用户,如下su - oraclea、启动ORACLE系统oracle>svrmgrlSVRMGR>connect internalSVRMGR>startupSVRMGR>quitb、关闭ORACLE系统oracle>svrmgrlSVRMGR>connect internalSVRMGR>shutdownSVR..._oracle底层数据结构
文章浏览阅读1.5w次,点赞7次,收藏4次。新版chrome没有了编码功能,不过对于强大的chrome插件这并不是什么大问题!~只需在chrome网上应用店安装名为Set Character Encoding 的插件就能轻松解决了!下载地址:https://chrome.google.com/webstore/detail/set-character-encoding/bpojelgakakmcf_chrome source 源碼空白
文章浏览阅读2.1k次。PS插件:灯光工厂安装教程 PS插件2020wids版最新插件:灯光工厂及详细安装教程;插件下载地址:https://www.henenseo.com/archives/3267收藏分享不易,希望大家多多点个赞,投个币,感谢大家!...
文章浏览阅读2.2k次。在python中,要操作redis,目前主要是通过一个python-redis模块来实现1、在python中安装redis模块2、在python中使用redis跟其他模块一样,在安装好redis模块后,要使用redis模块就要先导入。python连接。_python redis连接池
文章浏览阅读3k次,点赞5次,收藏33次。文章梳理了自然语言处理( Natural Language Processing, NLP)领域的大语言模型最新研究方向。_大语言模型未来发展的方向包括哪些