hadoop小学生
精灵王
精灵王
  • 注册日期2018-09-13
  • 发帖数160
  • QQ3234520070
  • 火币360枚
  • 粉丝0
  • 关注0
阅读:6735回复:0

中文分词工具之基于字标注法的分词

楼主#
更多 发布于:2019-06-26 10:52
基于字标注法的分词

中文分词字标注通常有2-tag,4-tag6-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
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 /I”,而“大学生”的标注结果为“大/B /I /I
对于以下句子
迈向 充满 希望 世纪 —— 一九九八年 新年 讲话
使用2-tagBI)的标注结果为
/B/I /B/I /B/I /B /B /B/I /B/I /B/I/I/I/I /B/I /B/I

2.4-tag

4-tag标注集合为{S,B,M,E}S表示单字为词,B表示词的首字,M表示词的中间字,E表示词的结尾字。对于以下句子
迈向 充满 希望 世纪 —— 一九九八年 新年 讲话
使用4-tagS,B,M,E)的标注结果为
/B/E /B/E /B/E /S /S /B/E /B/E /B/M/M/M/E /B/E /B/E
参考我爱自然语言处理博客, python实现方法为

图片:图1.png


本文使用 pku语料库,其原始格式为

图片:图2.png



标注后的结果为

图片:图3.png



3.6-tag
6-tag标注集合为{S,B,M1,M2,M,E}S表示单字为词,B表示词的首字,M1/M2/M表示词的中间字,E表示词的结尾字。例如“大学生”可以标注为“大/B /M /E” 。

喜欢0 评分0
DKHadoop用着还不错!
游客

返回顶部