NLP 学习 task2 - jieba、分词、去停用词、词频统计

本文介绍了jieba中文分词库的使用,包括精确、全和搜索引擎模式,以及如何去除停用词和进行词频统计。jieba支持自定义词典和HMM模型,适用于文本分析和搜索引擎构建。
摘要由CSDN通过智能技术生成

中文文本的预处理过程有以下几个步骤:

  1. 使用结巴分词,对中文句子进行切分
  2. 去除停用词。(推荐使用 dongxiexidian/Chinese 这一份停用词词表,收录的比较齐全。)
  3. 去除空格、换行符、标点符号等特定字符
  4. 词频统计
  5. 按照词频进行排序,打印结果

jieba“结巴”中文分词

特点
支持三种分词模式:

  • 精确模式,试图将句子最精确地切开,适合文本分析;
  • 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
  • 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
  • 支持繁体分词
  • 支持自定义词典
  • MIT 授权协议

算法

  • 基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
  • 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
  • 对于未登录词,采用了基于汉字成词能力的 HMM 模型,使用了 Viterbi 算法

主要功能
分词

  • jieba.cut 方法接受三个输入参数: 需要分词的字符串;cut_all 参数用来控制是否采用全模式;HMM 参数用来控制是否使用
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
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