

下载本文档
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
4/4中文分词实验报告实验:中文分词实验
小组成员:黄婷苏亮肖方定山
一、实验目的:
1.实验目的
(1)了解并掌握基于匹配的分词方法、改进方法、分词效果的评价方法等
2.实验要求
(1)从互联网上查找并构建不低于10万词的词典,构建词典的存储结构;(2)选择实现一种机械分词方法(双向最大匹配、双向最小匹配、正向减字最大匹配法等),同时实现至少一种改进算法。
(3)在不低于1000个文本文件(可以使用附件提供的语料),每个文件大于1000字的文档中进行中文分词测试,记录并分析所选分词算法的准确率、召回率、F-值、分词速度。
二、实验方案:
1.实验环境
系统:win10
软件平台:spyder
语言:python
2.算法选择
(1)选择正向减字最大匹配法
(2)算法伪代码描述:
3.实验步骤
●在网上查找语料和词典文本文件;●思考并编写代码构建词典存储结构;
●编写代码将语料分割为1500个文本文件,每个文件的字数大于1000字;
●编写分词代码;
●思考并编写代码将语料标注为可计算准确率的文本;
●对测试集和分词结果集进行合并;
●对分词结果进行统计,计算准确率,召回率及F值(正确率和召回率的调
和平均值);
●思考总结,分析结论。
4.实验实施
实验过程:
(1)语料来源:语料来自SIGHAN的官方主页(http://./doc/5fed903659f5f61fb7360b4c2e3f5727a5e924a9.html/),SIGHAN是国际计算语言学会(ACL)中文语言处理小组的简称,其英文全称为“SpecialInterestGroupforChineseLanguageProcessingoftheAssociationforComputationalLinguistics”,又可以理解为“SIG汉“或“SIG漢“。SIGHAN为我们提供了一个非商业使用(non-commercial)的免费分词语料库获取途径。我下载的是Bakeoff2005的中文语料。有86925行,2368390个词语。语料形式:“没有孩子的世界是寂寞的,没有老人的世界是寒冷的。”
(2)词典:词典用的是来自网络的有373万多个词语的词典,采用的数据结构为python的一种数据结构——集合。
(3)分割测试数据集:将原数据分割成1500个文本文件,每个文件的词数大于1000。
(4)编写分词代码:采用python语言和教材上介绍的算法思路,进行编程。(5)编写代码将语料标注为可计算准确率的文本:用B代表单词的开始字,E代表结尾的字,BE代表中间的字,如果只有一个字,用E表示。例如:
原数据是:“人们常说生活是一部教科书”
而我将它转化为了如下格式:
(6)进行分词:使用之前编写的分词函数,载入文本,进行分词,将每个文本结果输出到txt文本。
(7)对测试集和分词结果集进行合并:将测试集和分词结果集合并是为了进行准确率,召回率等的计算。测试集和训练集都是下面的格式:
将它们合并为下面的格式,第二列为测试集的标注,第三列为训练集的结果:
(8)对分词结果进行统计,计算准确率P,召回率R及F值(正确率和召回率的调和平均值),设提取出的信息条数为C,提取出的正确信息条数为CR,样本中的信息条数O:
计算结果如下:
(9)反思:平均准确率只有75.79%,为何分词效果这么差,没有达到我们的预期效果85%,经过思考和多次尝试才发现,原来是因为词典太大了,最大匹配分词效果对词典依赖很大,不是词典越大越好,还有就是我们的词典和我们的测试数据的相关性不大,于是我们小组修改了词典,进行了第二轮测试。(10)修改词典:将词典大小裁剪,但是不能只取局部,例如前面10万词或后面10万词,于是我的做法是在373万词的词典中随机取3万词,再用之前没用完的语料制作7万词,组成10万词的词典:
(11)再次实验:重新进行前面的步骤得到了下面的结果:
此时分词的平均准确率提高到了87.13%,还是很不错的,说明我的反思是有道
理的。
三、实验结果及分析:
1.实验结果:
2.结果分析:
(1)第一轮分词结果只有75.79%,而小组的预期效果或者说目标是85%以上,我们先是讨论是不是这个算法只能达到这么多,于是通过网络和询问同学的分词准确率知道,这个结果是可以继续提升的。于是,我们仔细思考了每一个环节,发现问题主要出在词典上面,因为词典中的词越多,利用做大匹配分出来的词的平均长度就越长,分得的词数也越少,错误率反而增大,而那些分法可能并不是我们想要的,而且我们的词典和我们的语料相关性很小,分词效果是依赖于这个词典的相关性的。然后我们尝试减少词典的大小,见减小到150万词,发现效果确实好了点,于是干脆只在原词典中取出3万词,再用语料库没用过的同类型的语料做一份词典,再把它们合起来,结果分词准确率一下子提高到了87.13%。
(2)影响中文分词效果的因素:词典的大小,数据集的规范性,算法的优越程度如何提高中文分词的准确率:规范的数据集,合理大小的词典,好的算法。
四、实验总结:
本次实验期间遇到过很多问题,幸好都一一解决了,比如在合并测试集
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 深度剖析保安证考试试题及答案
- 江苏大学京江学院《土木工程计算机软件应用A》2023-2024学年第二学期期末试卷
- 陕西服装工程学院《教师职业道德与教育政策法规》2023-2024学年第二学期期末试卷
- 宜州市2025年小升初数学模拟试卷含解析
- 贵州职业技术学院《水泵与水泵站》2023-2024学年第二学期期末试卷
- 云南水利水电职业学院《世说新语选讲》2023-2024学年第二学期期末试卷
- 基本技能保安证试题及答案
- 2025年保安证考点题及答案
- 应用能力保安证考试试题及答案
- 2025年怀化市重点中学高三5月第三次周考历史试题含解析
- Register and Genre语域与体裁课件
- 带式输送机拆除施工方案
- AQL抽样标准表完整
- 工程结算审核服务方案技术标
- 小区物业收支明细公告范本
- 火龙罐联合耳穴压豆治疗失眠个案护理
- 人教版中考二轮复习专题 谓语动词 (1) 时态 课件 (共36张PPT)
- 极简亲子对话法:让孩子听得进去的70堂沟通课
- 《思想道德与法治》第四章
- 湘教版科学四年级下册 教师用书(PDF版)
- 500kV变电站监控后台施工调试方案
评论
0/150
提交评论