[自然语言处理]概述
1 概念
- 自然语言处理(natural processing laguage)是计算机科学与语言学中关注于计算机与人类语言间转换的领域。
- 简史:
- 1950年,计算机科学之父图灵在论文中提出“机器可以思考吗”;这一划时代的问题,从此促成了人类语言学与计算机科学的交融
- 1957-1970年,自然语言处理开始形成“两大阵营”,基于规则和基于统计
- 1994-1999年,基于统计的方法逐渐取得胜利,概率计算开始引入到NLP领域的每个任务中
- 2000-2008年,机器学习开始兴起,迅速占领了NLP的主流市场
- 2015-2023年,人工智能时代到来,深度学习技术将深刻改变NLP的未来
- 2023年至今,大模型AIGC时代
- 应用场景:语音助手、机器翻译、搜索引擎、智能问答
2 文本处理的基本方法
- 将文本语料处理成符合模型输入的要求
- 文本处理的基本方法:分词、词性标注、命名实体识别
- 文本张量表示方法
- one-hot编码:get_dummies
- jieba的特性
- 支持多种分词模式(粗粒度&细粒度)
- 精确模式
- 全模型
- 搜索引擎模式
- 支持中文繁体分词
- 支持用户自动以词典
- 支持多种分词模式(粗粒度&细粒度)
import jieba
# 精确模式:按照人类日常用语表达习惯来分词
def dm01_test():
content = '分词就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。'
result1 = jieba.cut(content, cut_all=False)
# print(result1)
# for value in result1:
# print(value)
# print(list(result1))
# 返回生成器,默认cut_all=False
result2 = jieba.lcut(content, cut_all=False)
print(result2)
# 全模式:只要能成词的都进行切分,容易造成歧义
def dm02_test():
content = '分词就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。'
result1 = jieba.cut(content, cut_all=True)
# print(result1)
# for value in result1:
# print(value)
# print(list(result1))
result2 = jieba.lcut(content, cut_all=True)
print(result2)
# 搜索引擎模式:在精确模式基础上,对长词进行再次切分
def dm03_test():
content = '分词就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。'
result = jieba.lcut_for_search(content)
print(result)
# 支持繁体
def dm04_test():
content = '煩惱即是菩提,我暫且不提'
result = jieba.lcut(content)
print(result)
# 支持用户自定义词典:如果用户使用自定义词典,jieba会优先按照词典进行分词
def dm05_test():
# 不采用词典进行分词
sentence='jieba分词就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。'
result1=jieba.lcut(sentence)
print(result1)
# 采用自定义词典
jieba.load_userdict('./user_dict.txt')
result2 = jieba.lcut(sentence)
print(result2)
if __name__ == '__main__':
dm01_test()
dm02_test()
dm03_test()
dm04_test()
dm05_test()
['分词', '就是', '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', '就是', '将', '连续', '的', '字', '序列', '按照', '一定', '的', '规范', '重新', '重新组合', '组合', '组合成', '合成', '合成词', '词序', '序列', '的', '过程', '。']
['分词', '就是', '将', '连续', '的', '字', '序列', '按照', '一定', '的', '规范', '重新', '组合', '重新组合', '成词', '序列', '的', '过程', '。']
['煩惱', '即', '是', '菩提', ',', '我', '暫且', '不', '提']
['jieba', '分词', '就是', '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', '。']
['jieba分词', '就是', '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', '。']
2
原文地址:https://blog.csdn.net/Letmooning/article/details/142735353
免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!