【毕业设计day05_4】词性标注对象写出_思路

词性标注对象写出_思路

获取词语的标注信息，并更新词语编号信息

1. 获取语言一的标注信息

a) 读入对象temp，加载临时文件。加载语言一的词语编号：

E:\Workspaces\extractLexicon1119\workfiles\langOneWordID.dic

b) 读入文件langOnePOS,加载语言一语料库文档的标注信息，utf-8编码：

E:\Workspaces\extractLexicon1119\workfiles\corpus\lang1-utf8.pos

c) 获取标注信息，以文档为单位，存至字符串数组langOnePOSOfDoc：

d) 删除过短（文本少于30行）的文档，未删除的标注信息保存至langOnePosOfDocToSave：ArrayList

e) 保存语料库中的文档数目： lang1- numOfLangOneDocs

f) 获取所有的词语信息

g) 更新编号

h) 将当前文档的信息添加到整个对象中去

 

.dic 

读入到Object : temp --> 转成（word, id）HashMap<String, Integer> : langOneWordID；

 

.pos

b、读入到String 

c、 用XXXYYYZZZ\tN[N|P]\tXXXYYYZZZ\r\n\\.\tSENT\t\\.\r\n分割 成String []: langOnePOSOfDoc 

d、删短，留长ArrayList<String>：langOnePosOfDocToSave --> f、取标注信息String : posForCurrentDoc --> 按行分割成String []: wordAndPos  --> 遍历字串数组，按tab分割成String []: parts --> parts长为3时，将parts[2]加到词典中所有单词HashSet<String>: allLangOneWords中

e、parts为3，非空行数(int : countOfLines)加一，同时，以小写字母保存单词parts[2]：langOneWordID调用containsKey方法，get获取对应currentWordID，不包含该单词，将其和(currentWordID=-1)一起添加到langOneWordID中 --> 标准信息posInfoOfCurrentDoc保存到posOfAllLangOneDocs：posInfoOfCurrentDoc[index][0](pos)和posInfoOfCurrentDoc[index][1] (posID)

 

 

所有的标注信息：

1. [X][0] 表示词语 ID, [X][1] 表示标注信息；

2. int :  posInfoOfCurrentDoc[index][0]--pos ( parts[1]) 为标注信息, noun.=1 (NN/NP、NOM), verb.=2 (VB、VER), adj.=3 (JJ、ADJ), adv.=4 (RB、ADV), SENT =5 (SENT、SENT), other=-1 (未知、<unknown>) ， String单词对应的id号；

3. int : posInfoOfCurrentDoc[index][1] -- posID (1,2,3,4,5,-1)

corpus  -->  lang-all  -->  <DOC><...><TEXT></TEXT></DOC>  -->  StringBuilder  -->

parts[1]=pos;  parts[2]=word; parts[3] parts[4] parts[5]

 

某单词信息：编号id，单词本身word, 词性pos

a) 单词信息 HashSet<String>：allLangOneWords（单词）

b) 词语的编号信息 HashMap<String, Integer> ：langOneWordID（单词；id号）

c) 词语的标注信息  ArrayList<int[][]>：posOfAllLangOneDocs （二维数组：index行，0列：单词的id号； index行，1列：posID号）

 

 

2. 获取语言二的标注信息

3. 写对象，保存标注信息（语言x单词对象，语言x的ID信息）

a) E:\Workspaces\extractLexicon1119\workfiles\allLangOneWords

b) E:\Workspaces\extractLexicon1119\workfiles\langOneWordID

4. 写对象，保存语料库信息

a) ArrayList<int[][]>: langOnePos

b) E:\Workspaces\extractLexicon1119\workfiles\posOfLangOneDocs