# # 使用LSTM网络实现中文分词
本文使用jupyter notebook编辑,导出为py文件,去掉不加注释的本段后可直接执行(前提是下载了整个项目,且文件地址正确配置)。项目git地址为 git@github.com:renmu2017/Segmentor.git 。本文仅介绍主要流程,具体方法的实现在代码中,有需要的朋友可自行下载
# 当前中文分词已有很多成熟的模块可直接调用,如哈工大的LTP和结巴分词等。本文介绍采用对语料中单字SBME四种标注,通过LSTM记忆上下文关系的方法,使用神经网络进行单字标注,将结果合并为分词结果的方法。
# 其中S为Single独立字符,单字或符号成词;B为beginning,标注词的开始;M为middle,标注词中间的字;E为endding,标注词的结束。
# ## 1-预处理
# 首先将语料库导入程序
from com.zhanghao.util.seqlib import *
from com.zhanghao.util.data_process import *
corpuspath = '/pfr/199801.txt'
input_text = load_file(corpuspath)
# 去除掉标注好的词性,将语料库处理为二维列表,以每句话中的每个词为列表中的一个元素。为生成word2vec词向量做准备
txtwv = [remove_list_tag(line.strip().split()[1:]) for line in input_text.split('\n') if line != '']
standard_corpus = '/pfr/corpus.txt'
# 调用gensim中的word2vec,训练词向量。向量维度为100。结果保存至wordvector.bin文件中
w2v = trainW2V(txtwv)
w2v.save('/pfr/wordvector.bin')
# w2v['中国']值为[ 1.2523148 , -0.05151131, 。。。。。。 -0.8312615 ],长度为100维
corpuspath = '/pfr/199801.txt'
standardcorpus = '/pfr/corpus.txt'
input_text = load_file(corpuspath)
# 计算语料中的词频,并按词频降序排列,生成index,加入到DataFrame中
#计算词频