在进行文本分类(非情感分类)时,我们经常只保留实词(名、动、形)等词,为了文本分类的分词方便,HanLP专门提供了实词分词器类NotionalTokenizer,同时在分类数据集加载处理时,默认使用了NotionalTokenizer分词器。 在HanLPJava版代码库中可以查看下边的文件中的函数 1、AbstractDataSet.java文件中的AbstractDataSet方法 2、HanLPTokenizer.java文件中的segment方法 3、NotionalTokenizer.java文件中的segment方法 简单说明一下NotionalTokenizer类实现 1、初始化了一个维特比分词器实例(最短路径方法,用viterbi思想实现) 2、用CoreStopWordDictionary类的shouldInclude方法对维特比分词结果进行过滤,该方法只保留属于名词、动词、副词、形容词并且不在停用词表中的词。详见CoreStopWordDictionary.java文件中的shouldInclude(Term)方法。 对于PyHanLP的调用方法可以参考 # # -*- coding:utf-8 -*- # Author:wancong # Date: 2018-04-30 from pyhanlp import * def demo_notional_tokenizer(): """ 演示自动去除停用词、自动断句的分词器 >>> demo_notional_tokenizer() [小区/n, 居民/n, 反对/v, 喂养/v, 流浪猫/nz, 居民/n, 赞成/v, 喂养/v, 小宝贝/nz] [小区/n, 居民/n, 反对/v, 喂养/v, 流浪猫/nz] [居民/n, 赞成/v, 喂养/v, 小宝贝/nz] """ Term =JClass("com.hankcs.hanlp.seg.common.Term") NotionalTokenizer = JClass("com.hankcs.hanlp.tokenizer.NotionalTokenizer") text = "小区居民有的反对喂养流浪猫,而有的居民却赞成喂养这些小宝贝" print(NotionalTokenizer.segment(text)) for sentence in NotionalTokenizer.seg2sentence(text): print(sentence) if __name__ == "__main__": import doctest doctest.testmod(verbose=True)
|