HanLP是一系列模型与算法组成的NLP工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。内部算法经过工业界和学术界考验，配套书籍《自然语言处理入门》已经出版。Java版：https://github.com/hankcs/HanLP Python版：https://github.com/hankcs/pyhanlppython
转载
2023-09-12 20:25:45
22阅读
1.1 分词的概念（分词的正向最大、逆向最大、双向最大匹配法）主流分词算法可以分为：基于字符串匹配的方法、基于统计的方法、基于理解的方法。其中，基于字符串匹配的分词方法又称为机械分词方法，它需要有一个初始的充分大的词典，然后将待分词的字符串与词典中的元素进行匹配，若能成功匹配，则将该词切分出来。按扫描方向的不同，字符串匹配分词方法可以分为正向匹配和逆向匹配；按照不同长度的匹配优先度可以分为最大匹配
转载
2023-12-25 19:28:54
130阅读
文本是不定长度的，文本表示成计算的能够运算的数字或向量的方法称为词嵌入（Word Embedding）。词嵌入是将不定长的文本转换成定长的空间中。为了解决将原始文本转成固定长度的特征向量问题，scikit-learn提供了以下方法：令牌化（tokenizing）：对每个可能的词令牌分成字符串并赋予整数形的id，通过空格和标点符号作为令牌分隔符。统计（counting）每个词令牌在文档中的出现次数。
转载
2024-07-04 21:02:04
117阅读
词典分词中文分词算法大致分为基于词典规则与基于机器学习两个大学派，词典分词是最简单、最常见的分词算法。 基于词典的分词首先要准备一份充分大的词典，然后依据一定的策略扫描句子，若句子中的某个子串与词典中的某个词匹配，则分词成功。常见的扫描策略有：正向最大匹配、逆向最大匹配、双向最大匹配和最少词数分词。切分算法1.正向最长匹配考虑越长的单词表达的意义越丰富，于是定义单词越长优先级越高，具体来说就是在以
转载
2023-09-04 15:10:49
357阅读
pyhanlp的github：https://github.com/hankcs/pyhanlppyhanlp官方文档:https://pypi.org/project/pyhanlp/HanLP主文档目录：https://github.com/hankcs/HanLP/blob/1.x/README.mdpyhanlp案例：https://github.com/hankcs/pyhanlp/tr
转载
2024-01-23 21:54:29
258阅读
流行中英文分词工具hanlp:
中英文NLP处理工具包, 基于tensorflow2.0, 使用在学术界和行业中推广最先进的深度学习技术.使用hanlp进行中文分词：>>> import hanlp
# 加载CTB_CONVSEG预训练模型进行分词任务
>>> tokenizer = hanlp.load('CTB6_CONVSEG')
>>&
转载
2023-07-12 15:38:42
513阅读
HanLP是由一系列模型与算法组成的工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点；提供词法分析（中文分词、词性标注、命名实体识别）、句法分析、文本分类和情感分析等功能。官方文档：https://github.com/hankcs/HanLPJava1.X官方文档：https://github.com/hankcs/HanLP
转载
2024-01-19 15:44:50
96阅读
hanlp是一套中文的NLP处理库，里面提供了分词、拼音、摘要等很多实用功能，本文我们只看分词能力。分词原理先根据核心词典（CoreNatureDictionary.txt）粗分，例如“话统计算”，粗分成：[[ ], [话], [统, 统计], [计, 计算], [算], [ ]]该步骤类似于结巴的全模式分词。然后结合二元概率词典（CoreNatureDictionary.ngram.mini.t
转载
2023-07-29 16:09:50
182阅读
HanLP（Han Language Processing）是由一系列模型与算法组成的Java工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。环境搭建1.创建java项目，导入HanLP必要的包2.把对应的配置文件放置在src下3.修改hanlp.properties配置文件，使其指向data（data中包含词典和模型）的
转载
2023-09-22 20:04:22
31阅读
文章目录前言一、java版实战二、Python版实战总结 前言其实，单纯从我们的实用来看，前面的所有章节都无需理解，本节才是关键，就像绝大部分人不会去追究1+1为什么等于2，我们只需要知道它等于2即可hanlp分词主要有两个，对应前面章节学习的双数组字典树和基于双数组的AC树。 类名分别为：DoubleArrayTireSegment和AhoCorasickDoubleArrayTireSegm
转载
2023-07-12 15:44:54
207阅读
这篇文章主要是记录HanLP标准分词算法整个实现流程。HanLP的核心词典训练自人民日报2014语料，语料不是完美的，总会存在一些错误。这些错误可能会导致分词出现奇怪的结果，这时请打开调试模式排查问题:HanLP.Config.enableDebug();那什么是语料呢？通俗的理解，就是HanLP里面的二个核心词典。假设收集了人民日报若干篇文档，通过人工手工分词，统计人工分词后的词频：①统计分词后
转载
2024-06-04 16:36:13
63阅读
实验一、词法分析程序实验专业：商业软件 姓名：杨链新 学号：201506110113一、 实验目的通过设计调试词法分析程序，实现从源程序中分出各种单词的方法；加深对课堂教学的理解；提高词法分析方法的实践能力。掌握从源程序文件中读取有效字符的方法和产生源程序的内部表示文件的方法；掌
HanLP是由一系列模型与算法组成的Java工具包，目标是普及自然语言处理在生产环境中的应用。不leArrayTrie等，这些基础
原创
2022-07-09 00:25:56
761阅读
摘要：平台使用Netbeans搭载JDK1.8环境编程。实现基于概率最大化的中文分词算法并集成于一个窗体平台（如下图）。字典使用WordFrequency.txt；
一、Lucene.Net1、Lucene.Net介绍：Lucene.Net是一个C#开发的开源全文索引库（自带的有索引管理、分词、查询）Lucene.Net.Index 提供索引管理，词组排序。Lucene.Net.Search 提供查询相关功能。Lucene.Net.Store 支持数据存储管理，主要包括I/O操作。Lucene.Net.Util 公共类。Lucene.Net.Documents
Ⅰ. SpringApplication 1. Startup Failure 启动失败 注入FailureAnalyzers 获得一个机会去提供一个详细的错误信息提供了很多FailureAnalyzer 的实现类，也可以添加自定义的 如果没有failure analyzers 可以开启debug模式 java -jar xxx.jar --debug F
转载
2024-01-16 14:45:32
99阅读
之前总是在看前沿文章，真正落实到工业级任务还是需要实打实的硬核基础，我司选用了HANLP作为分词组件，在使用的过程中才感受到自己基础的薄弱，决定最近好好把分词的底层算法梳理一下。1. 简介NLP的底层任务由易到难大致可以分为词法分析、句法分析和语义分析。分词是词法分析（还包括词性标注和命名实体识别）中最基本的任务，可以说既简单又复杂。说简单是因为分词的算法研究已经很成熟了，大部分的准确率都可以达到
转载
2024-05-23 10:15:43
25阅读
#-*- coding:utf-8 -*-
from jpype import *
startJVM(getDefaultJVMPath(), "-Djava.class.path=/home/lhq/桌面/NLP_basis/hanlp/hanlp-1.7.3.jar:/home/lhq/桌面/NLP_basis/hanlp",
"-Xms1g",
"-Xm
转载
2024-06-26 20:41:54
69阅读
前言 从本文开始，我们进入实战部分。首先，我们按照中文自然语言处理流程的第一步获取语料，然后重点进行中文分词的学习。中文分词有很多种，常见的比如有中科院计算所 NLPIR、哈工大 LTP、清华大学 THULAC 、斯坦福分词器、Hanlp 分词器、jieba 分词、IKAnalyzer 等。这里针对 jieba 和 HanLP 分别介绍不同场景下的中文分词应用。jieba 分词 jieba 安装
转载
2023-10-11 15:57:38
154阅读
前言词 在中文信息处理过程中，自动中文分词备受关注。中文分词大概可分为：基于词典规则基于机器学习本篇主要介绍第一种1、环境准备windows 10安装pyhanlp：pip install pyhanlp（这里可能安装不成功，可留言）HanLP附带的迷你核心词典为例jupyter notebook（python3）java（jdk1.8）2、词典分词 词典分词是最简单、最常见的分词算法，仅需一
转载
2023-09-17 17:38:43
194阅读
