位置: 编程技术 - 正文

Python自然语言处理之词干,词形与最大匹配算法代码详解(Python自然语言处理PDF)

编辑:rootadmin

推荐整理分享Python自然语言处理之词干,词形与最大匹配算法代码详解(Python自然语言处理PDF),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:Python自然语言处理 文法特征,Python自然语言处理周元哲电子书,Python自然语言处理PDF,Python自然语言处理 文法特征,Python自然语言处理 刘鸿博,Python自然语言处理,Python自然语言处理PDF,python自然语言处理总结,内容如对您有帮助,希望把文章链接给更多的朋友!

本文主要对词干提取及词形还原以及最大匹配算法进行了介绍和代码示例,Python实现,下面我们一起看看具体内容。

自然语言处理中一个很重要的操作就是所谓的stemming和lemmatization,二者非常类似。它们是词形规范化的两类重要方式,都能够达到有效归并词形的目的,二者既有联系也有区别。

1、词干提取(stemming)

定义:Stemmingistheprocessforreducinginflected(orsometimesderived)wordstotheirstem,baseorrootform—generallyawrittenwordform.

解释一下,Stemming是抽取词的词干或词根形式(不一定能够表达完整语义)。

NLTK中提供了三种最常用的词干提取器接口,即Porterstemmer,LancasterStemmer和SnowballStemmer。

PorterStemmer基于Porter词干提取算法,来看例子

Lancaster Stemmer 基于Lancaster 词干提取算法,来看例子

Snowball Stemmer基于Snowball 词干提取算法,来看例子

2、词形还原(lemmatization)

定义:Lemmatisation(orlemmatization)inlinguistics,istheprocessofgroupingtogetherthedifferentinflectedformsofawordsotheycanbeanalysedasasingleitem.

可见,Lemmatisation是把一个任何形式的语言词汇还原为一般形式(能表达完整语义)。相对而言,词干提取是简单的轻量级的词形归并方式,最后获得的结果为词干,并不一定具有实际意义。词形还原处理相对复杂,获得结果为词的原形,能够承载一定意义,与词干提取相比,更具有研究和应用价值。

我们会在后面给出一个同MaxMatch算法相结合的更为复杂的例子。

这里介绍下词干提取和词形还原的联系与区别:

词形还原(lemmatization),是把一个任何形式的语言词汇还原为一般形式(能表达完整语义),而词干提取

(stemming)是抽取词的词干或词根形式(不一定能够表达完整语义)。词形还原和词干提取是词形规范化的两类

重要方式,都能够达到有效归并词形的目的,二者既有联系也有区别

现将共同点和联系总结为以下4方面:

Python自然语言处理之词干,词形与最大匹配算法代码详解(Python自然语言处理PDF)

(1)目标一致。词干提取和词形还原的目标均为将词的屈折形态或派生形态简化或归并为词干(stem)

或原形的基础形式,都是一种对词的不同形态的统一归并的过程。

(2)结果部分交叉。词干提取和词形还原不是互斥关系,其结果是有部分交叉的。一部分词利用这两类方法都能达到相同的词形转换效果。如“dogs”的词

干为“dog”,其原形也为“dog”。

(3)主流实现方法类似。目前实现词干提取和词形还原的主流实现方法均是利用语言中存在的规则或利用词典映射提取词干或获得词的原形。

(4)应用领域相似。主要应用于信息检索和文本、自然语言处理等方面,二者均是这些应用的基本步骤

二者的区别归纳为以下5方面:

(1)在原理上,词干提取主要是采用“缩减”的方法,将词转换为词干,如将“cats”处理为“cat”,将“effective”处理为“effect”。而词形还原主要采用“转变”

的方法,将词转变为其原形,如将“drove”处理为“drive”,将“driving”处理为“drive”。

(2)在复杂性上,词干提取方法相对简单,词形还原则需要返回词的原形,需要对词形进行分析,不仅要进行词缀的转化,还要进行词性识别,区分相同词形但

原形不同的词的差别。词性标注的准确率也直接影响词形还原的准确率,因此,词形还原更为复杂。

(3)在实现方法上,虽然词干提取和词形还原实现的主流方法类似,但二者在具体实现上各有侧重。词干提取的实现方法主要利用规则变化进行词缀的去除和缩减,从而达到词的简化效果。词形还原则相对较复杂,有复杂的形态变化,单纯依据规则无法很好地完成。其更依赖于词典,进行词形变化和原形的映射,生成词典中的有效词。

(4)在结果上,词干提取和词形还原也有部分区别。词干提取的结果可能并不是完整的、具有意义的词,而只是词的一部分,如“revival”词干提取的结果为“reviv”,“ailiner”词干提取的结果为“airlin”。而经词形还原处理后获得的结果是具有一定意义的、完整的词,一般为词典中的有效词。

(5)在应用领域上,同样各有侧重。虽然二者均被应用于信息检索和文本处理中,但侧重不同。词干提取更多被应用于信息检索领域,如Solr、Lucene等,用于扩展检索,粒度较粗。词形还原更主要被应用于文本挖掘、自然语言处理,用于更细粒度、更为准确的文本分析和表达

相对而言,词干提取是简单的轻量级的词形归并方式,最后获得的结果为词干,并不一定具有实际意义。词形还原处理相对复杂,获得结果为词的原形,能够承载一定意义,与词干提取相比,更具有研究和应用价值

3、最大匹配算法(MaxMatch)

MaxMatch算法在中文自然语言处理中常常用来进行分词(或许从名字上你已经能想到它是基于贪婪策略设计的一种算法)。通常,英语中一句话里的各个词汇之间通过空格来分割,这是非常straightforward的,但是中文却没有这个遍历。例如“我爱中华人民共和国”,这句话被分词的结果可能是这样的{‘我',‘爱',‘中华',‘人民',‘共和国'},又或者是{‘我',‘爱',‘中华人民共和国'},显然我们更倾向于后者的分词结果。因为‘中华人民共和国'显然是一个专有名词(把这样一个词分割来看显然并不明智)。我们选择后者的策略就是所谓的MaxMatch,即最大匹配。因为‘中华人民共和国'这个词显然要比‘中华',‘人民',‘共和国'这些词都长。

我们可以通过一个英文的例子来演示MaxMatch算法(其实中文处理的道理也是一样的)。算法从右侧开始逐渐减少字符串长度,以此求得可能匹配的最大长度的字符串。考虑到我们所获得的词汇可能包含有某种词型的变化,所以其中使用了Lemmatisation,然后在词库里进行匹配查找。

来看看算法的实现效果

当然,上述代码尚有一个不足,就是当字符串中存在非字母字符时(例如数字标点等),它可能会存在一些问题。有兴趣的读者不妨自己尝试完善改进这个版本的实现。

总结

标签: Python自然语言处理PDF

本文链接地址:https://www.jiuchutong.com/biancheng/372272.html 转载请保留说明!

上一篇:用不到50行的Python代码构建最小的区块链(python 500行)

下一篇:TF-IDF算法解析与Python实现方法详解(tf-idf例题)

  • 个税申诉已受理怎么撤销
  • 税务网上清卡流程
  • 科目余额表凭证号顺序
  • 个体户电子发票怎么作废
  • 外资企业对应的企业是什么
  • 应税劳务和应税服务不合理列支的有哪些
  • 开具成品油专用发票时,应遵守哪些规则
  • 房地产企业内部查账查什么
  • 正常的成本利润是多少
  • 有留抵税额会计分录
  • 已抵扣进项税额的购进货物或者应税劳务
  • 出口发票开具注意事项及要求有哪些?
  • 筹建期可以有收入吗
  • 企业所得税怎么征收几个点
  • 零申报的企业所得税年报怎么填
  • 旧税号的发票专用章还能使用吗
  • 应收及预付款项包括( )
  • 城市地下建设
  • 计提汽车折旧会计分录
  • 华硕p8h61主板升级更换什么主板合适
  • 公司自建办公楼
  • 我想测试一下网速
  • linux模块的概念
  • win10 21h1正式版怎么样
  • 汽车销售公司取名字参考大全图片
  • 支付境外设计费合同备案流程
  • 小米路由器599元
  • PHP:zip_entry_open()的用法_Zip函数
  • js技术干货分享
  • 项目完工叫什么
  • 实收资本印花税税率多少
  • 如何根据科目余额表编制财务报表
  • pytorch教程
  • cp命令复制系统文件/etc/profile
  • 使用什么指令可以清空memcached数据库中的所有数据
  • 实际发放股票股利
  • 其他免税销售额大于0免税性质代码
  • 民政局登记的教育机构
  • 铁路运输企业受托代征 印花税
  • 复核人和收款人一样了怎么办
  • 其他应收款借贷方表示什么意思
  • 一般纳税人首次申领专票
  • 税收分类口诀
  • 旅游业差额开票税率
  • 稳岗补贴属于是什么补贴
  • 购买固定资产会计凭证
  • 兼职人员的工资需要发票吗
  • 计提工资的核算流程
  • 被工商吊销营业执照怎么办
  • 债务类科目和债权类科目
  • 库存现金的主要活动
  • 挂靠人员社保缴费分录如何做?
  • 固定资产会计账簿
  • 现成的财务报表
  • 未打印税务分类怎么处理
  • 工业企业的生产费用包括哪些
  • 最基本的长度单位是什么
  • sql中varchar和number比较
  • zmweb.exe是什么进程
  • 详述目标成本法的内容和步骤
  • 如何查看freenass密码
  • bios如何进去
  • win7怎么禁止系统自动更新
  • windows10x预览版
  • linux系统的文件怎么导出来
  • windows环境是什么意思
  • 如何设置让自己手机号处于关机状态
  • linux cp的用法
  • three.js dispose
  • 如何进行js 的测试
  • python中列表的遍历
  • Android-Canvas.drawText()详解
  • jquery 异步请求
  • python多进程共享对象
  • jquery删除数据
  • 福建税务局网上办税
  • 组织收入原则三个务必
  • 设计合同需要备案吗
  • 2021年十大慈善企业
  • 新郑市税务局
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设