互联网架构课前-中文分词技术_第1页
互联网架构课前-中文分词技术_第2页
互联网架构课前-中文分词技术_第3页
已阅读5页,还剩4页未读 继续免费阅读

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

中文分词技术(中文分词原理一 为什么要进行中文分词二 中文分词技术的分下面简要介绍几种常用方法12(一)(MaximumMatchingMethod)通常简称为MMi个汉字字符,则用被处理文档的当前字匹配字段被作为一个词切分出来。如果词典中找不到这样的一个i,则匹配失败,将匹配字段中的最后一个字去掉,对剩下的字串重新进行匹配处理……如此进行下去,直i字字串进行匹配处理,直到文档被扫描完为止。初始化当前位置计数器,置为从当前计数器开始,取前2i如果匹配字段长度不为0跳转到步骤则②匹配字段长度减②匹配字段长度减跳转至步骤 否则当前位置计数器的值加(二)(ReverseMaximumMatcingMethod)通常简称为RMM法。RMM法的基本原理与MM法相同,MM描,每次取最末端的2i个字符(i字字串)作为匹配字段,若匹配失败,则去掉匹配字段法比正向最大匹配法的误差要小。统计结果表明,单纯使用正向最大匹配的错误率为1/169,单纯使用逆向最大匹配的错误率为1/245。例如切分字段“产”,正向最大匹配法的结果会是“/产”,而逆向最大匹配法利用逆向扫描,可得到正确的分词结果“/研究/生产”。(即双向匹配法,见(四(三)这是一种全切分方法。它不依靠词典,而是将文章中任意两个字同时出现的频率进行统计,次数越高的就可能是一个词。它首先切分出与词表匹配的所有可能的词,和决策算法决定最优的切分结果。它的优点在于可以发现所有的切义并且容易将新词提取出来。,比较匹配过程是分步,,,因而分词速度可以大幅度提高。这种方法涉及到多级内码理论和管道的常用中文分首选的中文分词开源组件。Paoding中文分词追求分词的高效率和用户良好体验。Paoding'sKnivesPIII1G内存个人机器上,1100 ClassificationecognitionaggingDetectionCheckingDetection(ClusteringModelingIndexingMiningSegmentationysis、语言辨别(LanguageIdentification)等JELibMMSeg1.2G(0.7.1yzer分算法,是Luceneyzer接口的实现。PHPCWSPHPCWSPHPLinux/UnixPHPCWS先使用“ICTCLAS3.0API进行初次分词处ICTCLAS(InstituteofComputingTechnology,ChineseLexicalysisICTCLAS3.0,分词精度98.45%,各种词典数据压缩后不到3M。ICTCLAS在国内973SigHan组ICTCLAS3.0商业版是的,而免费提供的ICTCLAS3.0共享版不开源,词库是根据一个月的语料得出的,很多词语不存在。所以本人对ICTCLAS分词后的ICTCLAS3.0GBKUTF-8编码的字符串,可以先用PHPiconv函数转换成GBK编码,再用phpcws_split函数进行分词处理,UTF-8编码。常见的中文分词器LucenePaoding填补了国内中文分词方面开源组件的空白,致力于此并希翼成为互联网首选的中文分词开源组件。Paoding中文分词追求分词的高效率和用户良好体验。Paoding'sKnivesPIII1G内存个人机器上,1100LingPipe,开源自然语言处理的Java开源工具包 ClassificationRecognitionaggingDetectionCheckingDetection(ClusteringModelingIndexingMiningSegmentationysisJELibMMSeg1.2G(0.7.1LibMMSegyzerIKyzer基于lucene2.0版本API开发,实现

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。

评论

0/150

提交评论