通常来说,计算机对于网络上存在的大量半结构化或结构化的文本数据,计算机很难直接进行处理,因此我们需要在文本分类之前对这些数据作相应的预处理。 文本的预处理分为:文本分词、去除停用词、词义消歧、统计等处理。英文文本各单词之间则有代表分割的空格,而中文文本则不相同,没有词的界限,因此我们对中文文本进行分类之前,首先要进行分词处理,这也就是我今天要分享给大家的中文文本分类的关键技术--中文分词。
一、中文分词概念
中文分词,Chinese Word Segmentation),指的是将一个汉字序列切分成一个一个单独的词。再具体解释一下:分词指的是:将连续的字序列按照一定的规范重新组合成词序列的过程,分词效果会直接对影响词性、句法树等模块的效果产生影响。当然,分词只是一个工具,随着场景的不同,要求也会随之变化。
在人机自然语言交互中,成熟的中文分词算法可以达到更好的自然语言处理效果,帮助计算机对复杂的中文语言的理解·。
目前中文分词算法有主要分为四大类:基于词典的方法,基于统计的方法,基于规则的方法,基于理解的方法。下面具体介绍一下这四种方法。
二、基于词典的方法
1.基于词典的方法,或者说是字符串匹配,机械分词方法。
定义:按照一定策略将待分析的字符串与一个“大机器词典”中的词条进行匹配,如果能在词典中找到某个字符串,那么就表示匹配成功,识别该词。
2.优缺点分析
优点:简单,很容易实现
缺点:
匹配速度较慢
存在交集型和组合型歧义切分问题
词本身并没有一个标准的定义,没有统一标准的词集
不同词典所产生的歧义不同
对于自学习的智能性比较缺乏
3.常见的基于词典的方法有:
按照扫描方向的不同:正向匹配 & 逆向匹配
按照长度的不同:最大匹配 & 最小匹配
按照是否与词性标注过程相结合:单纯分词方法 & 分词与标注相结合
(1)正向最大匹配算法(MM)
从左向右取待切分汉语句的m个字符作为匹配字段,m为大机器词典中最长词条个数
(2)逆向最大匹配算法(RMM)
该算法是正向最大匹配的逆向思维,匹配不成功,将匹配字段的最前一个字去掉,实验表明,逆向最大匹配算法要优于正向最大匹配算法。
(3)双向最大匹配法(Bi-directction Matching method,BM)
双向最大匹配法是将正向最大匹配法得到的分词结果和逆向最大匹配法的到的结果进行比较,从而决定正确的分词方法。
三、基于规则(基于语义)的分词方法
这一方法的原理为:模拟人对句子的理解,以此来达到识别词的效果。基本思想为:语义分析,句法分析,也就是通过对句法信息和语义信息来进行文本分词。
基于规则(基于语义)的分词方法能够自动推理,并完成对未登录词的补充。
语义分词法引入了语义分析,能够对自然语言本身的语言信息作更多的处理,例如扩充转移网络法、知识分词语义分析法、邻接约束法、综合匹配法、后缀分词法、特征词库法、矩阵约束法、语法分析法等。
四、基于统计的分词方法
基于统计的分词方法指的是:在给定大量已定分词的文本的前提下,通过利用统计机器学习模型学习词语切分的规律(称为训练),从而实现对未知文本的切分。其基本思想为:上下文当中,相邻的字同时出现的次数越多,那么就越可能构成一个词。所以字与字相邻出现的概率或频率,可以比较好的反映词的可信度。
主要的统计模型有:N元文法模型(N-gram),HMM模型(隐马尔可夫模型Hidden Markov Model ,),最大熵模型(ME),条件随机场模型(Conditional Random Fields,CRF)等。
1.N-gram模型思想
模型基于这样一种假设,第n个词的出现只与前面N-1个词相关,而与其它任何词都不相关,整句的概率就是各个词出现概率的乘积。
2.HMM模型(隐马尔可夫模型Hidden Markov Model )
根据观测值序列找到真正的隐藏状态值序列。
五、基于人工智能技术的中文分词方法(基于理解)
基于人工智能技术的中文分词方法原理为:在进行分词的同时,对句法、语义也进行分析,也就是利用句法信息和语义信息对歧义现象进行处理
一般分为三个部分: 分词子系统、句法语义子系统和总控部分。
在总控部分的协调下,分词子系统能够获得有关词、句子等的句法和语义信息,并以此来对分词歧义进行判断,也就是说,它是对人理解句子过程的模拟
基于人工智能技术的中文分词需要使用大量的语言知识和信息。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10推荐学习书籍 《CDA一级教材》在线电子版正式上线CDA网校,为你提供系统、实用、前沿的学习资源,助你轻松迈入数据分析的大门! ...
2025-03-07在数据驱动决策的时代,掌握多样的数据分析方法,就如同拥有了开启宝藏的多把钥匙,能帮助我们从海量数据中挖掘出关键信息,本 ...
2025-03-06