无监督分词中ngram片段的基础特征总结

        无监督分词,主要思路就是从未标注的语料(生语料)中抽取n-gram片段,然后计算这些n-grams的特征,进而根据这些特征判别哪些是“词”,哪些不是“词”。然后根据这些特征对字符串进行分词。

        也就是说,无监督分词可以分成两个研究领域,一个叫做词抽取(word extraction),就是只从生语料中抽取出一个词的列表来,另一类则是分词,需要在词抽取的基础上,进行进一步的分词操作,这种操作一般可以认为是一种解码过程。

无监督分词n-gram的特征常用的有四个:

1 子字符串削减词频,Frequency of sub-string with reduction(FSR).基本就是词频特征,其基本的idea就是认为如果两个重合的n-gram,一个包含另外一个,词频一致,则较短的n-gram就不是词,需要淘汰。

FSR(w)=log(p(w)),其中w就是n-gram片段,p(w)就是取w的词频。

一般而言,这个方法还包含一个"Statistical substring reduction"操作,就是将相同频率的子字符串删除。


2 描述长度增益,Description length gain。一个n-gram片段用x(i)x(i+1)...x(j)表示,而全部语料可以用X=x(1)...x(n)表示

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
MySQL分词全文索引是指在MySQL数据库使用分词器对文文本进行分词,并建立相应的全文索引,以支持对文文本的全文搜索功能。在MySQL 5.7之前,全文索引只支持英文全文索引,不支持文全文索引,需要借助分词器将文文本进行预处理并拆分成单词后再存入数据库。而从MySQL 5.7.6开始,MySQL内置了ngram全文解析器,可以用来支持文、日文、韩文等语言的分词,并通过全文索引实现对文文本的语义分词检索功能。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [MySQL使用全文索引(fulltext index) 及文全文索引使用](https://blog.csdn.net/weixin_38289885/article/details/124634441)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [mysql ---- 全文索引:文语义分词检索](https://blog.csdn.net/weixin_44235759/article/details/124847638)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wangliang_f

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值