最近发现一个很勤快的大神在分享他的一些实操经验,看了一些他自己关于hanlp方面的文章,写的挺好的!转载过来分享给大家!以下为分享原文(无意义的内容已经做了删除)

如下图所示,HanLP的分类模块中单独封装了适用分类的分词器,当然这些分词器都是对HanLP提供的分词器的封装。分类模块中提供的分词器都在tokenizer包中。包括:

BigramTokenizer这是一个2gram分词器,也就是把连续的2字认为是一个词

BlankTokenizer这是一个空白符分词器,以文本中的空白符作为词语间隔

HanLPTokenizer这是一个实词分词器,也就是只保留实词,它是分类模块的默认分词器

 

 HanLP-分类模块的分词器介绍_自然语言处理

 

如果需要修改分类模块的分词器,需要在加载文本数据之前,设置分词器,示例代码如下:

 

IDataSet trainingCorpus = new FileDataSet().                          // FileDataSet省内存,可加载大规模数据集

            setTokenizer(new HanLPTokenizer()).                               // 支持不同的ITokenizer,详见源码中的文档

            load(CORPUS_FOLDER, "UTF-8", 0.9);               // 前90%作为训练集

        IClassifier classifier = new NaiveBayesClassifier();

        classifier.train(trainingCorpus);

 

还需要注意的是,这三种分词器其实都不太适合做情感分类的分词器,如果想用标准分词器作为情感分类的分词器,则用户需要自定义一个分词器类,该类需要实现ITokenizer接口并封装标准分词器。(如果直接调用setTokenizer方法传递下图HanLP分词器包中的分词器实例,则会报错)

 

HanLP-分类模块的分词器介绍_hanlp_02

 

作者:baiziyu