python—结巴分词的原理理解，Hmm中的转移概率矩阵和混淆矩阵。

结巴分词的过程:
jieba分词的python 代码

结巴分词的准备工作
开发者首先根据大量的人民日报训练了得到了字典库、和Hmm中的转移概率矩阵和混淆矩阵。

```
加载字典, 生成trie树
```

为什么要加载字典树呢，是因为如果没有字典树，那么扫描将会是一个庞大的工程，有了字典树就可以在该分支上扫描。例如扫描“中国人民银行”（正向最大匹配）先扫描6个字的字典库，找到了“中国人民银行”，然后再去掉一个字变成了“中国人民银”，假如没有字典树的话，就会把所有五个字的字典库搜索一遍。但是现在就不会了，只要把“中国人民”和“中国人民银行”之间的节点搜索一遍就行了，大大的节省了时间。有句话叫以空间换时间，最适合用来表达这个意思。
2. 给定待分词的句子, 使用正则获取连续的中文字符和英文字符, 切分成短语列表, 对每个短语使用DAG(查字典)和动态规划, 得到最大概率路径, 对DAG中那些没有在字典中查到的字, 组合成一个新的片段短语, 使用HMM模型进行分词, 也就是作者说的识别新词, 即识别字典外的新词.
本人理解：先进行扫描分词，然后切成很多的句子，每个句子再利用动态规划找出最大概率路径（消除歧义）。
（1）关于有向无环图（见下图）：有方向没有回路。

（2）用动态规划查找最大概率路径问题理解

从上图可以看出切词之后，有多条路径，也就是说有歧义。这里采用动态规划的最优化搜索。
动态规划问题：
1 将原问题分解为若干个相互重叠的子问题
2分析问题是否满足最优性原理，找出动态规划函数的递推式；
3利用递推式自低向上计算，实现动态规划过程。

python—结巴分词的原理理解，Hmm中的转移概率矩阵和混淆矩阵。相关推荐

python学习 - 图标签用宋体Times New Roman字体 + 规范的混淆矩阵绘制
python学习 - 图标签用宋体&Times New Roman字体 + 规范的混淆矩阵绘制只需复制下面一行代码即可获得效果中文:宋体字号英文和数字:Times New Roman字体 ...
python结巴分词实例_python 结巴分词(jieba)详解
"结巴"中文分词:做最好的 Python 中文分词组件 "Jieba" (Chinese for "to stutter") Chinese ...
学习笔记（2）Python——结巴分词
结巴分词模块的简单应用张华平NShort中文分词算法是目前大规模中文分词的主流算法,下面将介绍以其为核心的结巴分词算法.该模块在Python中使用机及其简单.不需要及其繁琐的安装步骤. 结巴分词支持 ...
python 结巴分词(jieba)详解
[转自:https://www.cnblogs.com/jackchen-Net/p/8207009.html] "结巴"中文分词:做最好的 Python 中文分词组件 " ...
python结巴分词代码_python结巴分词SEO的应用详解
本帖最后由为人生而奋斗于 2019-10-15 16:19 编辑结巴分词在SEO中可以应用于分析/提取文章关键词.关键词归类.标题重写.文章伪原创等等方面,用处非常多. 具体结巴分词项目:htt ...
Python 结巴分词（1）分词
利用结巴分词来进行词频的统计,并输出到文件中. 结巴分词github地址:结巴分词结巴分词的特点: 支持三种分词模式: 精确模式,试图将句子最精确地切开,适合文本分析: 全模式,把句子中所有的可以成 ...
python结巴分词去掉停用词、标点符号、虚词_NLP自然语言处理入门-- 文本预处理Pre-processing...
引言自然语言处理NLP(nature language processing),顾名思义,就是使用计算机对语言文字进行处理的相关技术以及应用.在对文本做数据分析时,我们一大半的时间都会花在文本预处理 ...
python结巴分词
# coding=utf-8 ''' Created on 2018年3月19日 @author: chenkai 结巴分词支持三种分词模式: 精确模式: 试图将句子最精确地切开,适合文本分析: 全 ...
python结巴分词每个词一行,python结巴分词词云图
导入结巴分词 from wordcloud import WordCloud import jieba # 词频计算 import jieba.analyse as analyse from scip ...

python—结巴分词的原理理解，Hmm中的转移概率矩阵和混淆矩阵。

python—结巴分词的原理理解，Hmm中的转移概率矩阵和混淆矩阵。相关推荐

最新文章

热门文章