文章目录
introduction
从github中下载代码包或从我的某度网盘链接中下载我处理好的代码包plm-nlp-code-main
,其中有chp2~chp8的示例代码。
注意右下角的解释器,选择自己下载好pytorch的环境,笔者这里是名为python3.7的环境(可以起任意名)。
chp2: fmm分词&svg
Page23:最简单的分词算法:正向最大匹配(Forward Maximum Matching, FMM)
i.e. 从前向后扫描桔子中的字符串,尽量找到词典中较长的单词作为分词的结果。
fmm_word_seg.py
Page16:svd.py奇异值分解,这里正确显示需要添加字体,详见chp2代码调试
chp3: 维基百科语料库处理
下载的文本text文件夹、wikiextractor工具、语料库压缩包均放在chp3同级的chp3-src目录中。注意,如果要用pycharm打开项目,那么应当单独打开chp3,否则如果打开项目中包含了text语料库,则会消耗大量时间进行编制索引 indexing (笔者进行了一个下午都没搞完AA文件夹,所以大概是不可行)
page63:
- convert_t2s.py
先根据chp3代码调试,对convert_t2s.py进行修改,对windows适配。
在plm-nlp-code-main文件夹中打开Terminal
在命令行工具中
python .\chp3\convert_t2s.py .\chp3-src\text\AA\wiki_00 > output_file
原先\text