自然语言处理笔记

NLTK 和jieba

官方网址： http://www.nltk.org/
python上著名的自然语言处理库，自带语料库，词性分类库，自带分类，分词，等等功能，还有N多的简单版wrapper

安装NLTK和jieba:

sudo pip install -U nltk
sudo pip install -U numpy
sudo pip install jieba

下载语料库：

import nltk
nltk.download()

英文分词（Tokenize）:

from nltk
sentence = "hello world"
# 分词
tokens = nltk.word_tokenize(sentence)
>>>['hello', 'world']

中文分词：

import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

输出：

全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【新词识别】：他, 来到, 了, 网易, 杭研, 大厦    (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造