- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于互信息改进算法的新词发现对中文分词系统改进-西安邮电大学
北京大学学报(自然科学版) 第 52 卷 第 1 期 2016 年 1 月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 52, No. 1 (Jan. 2016)
doi: 10.13209/j.0479-8023.2016.024
基于互信息改进算法的新词发现
对中文分词系统改进
†
杜丽萍 李晓戈 于根 刘春丽 刘睿
西安邮电大学 , 西安 710121; † 通信作者 , E-mail: lixg@xupt.edu.cn
摘要 提出一种非监督的新词识别方法。该方法利用互信息(PMI) 的改进算法——PMIk 算法与少量基本规则
相结合, 从大规模语料中自动识别 2~n 元网络新词(n 为发现的新词最大长度, 可以根据需要指定) 。基于 257
MB 的百度贴吧语料实验, 当 PMIk 方法的参数为 10 时, 结果精度达到 97.39%, 比 PMI 方法提高 28.79%, 实
验结果表明 , 该新词发现方法能够有效地从大规模网络语料中发现新词。将新词发现结果编纂成用户词典 ,
加载到汉语词法分析系统 ICTCLAS 中, 基于 10 KB 的百度贴吧语料实验, 比加载用户词典前的分词结果准
确率、召回率和 F 值分别提高 7.93%, 3.73%和 5.91% 。实验表明, 通过进行新词发现能有效改善分词系统对
网络文本的处理效果。
关键词 新词识别 ; 未登录词 ; 互信息 ; PMI 改进算法; 中文分词
中图分类号 TP391
New Word Detection Based on an Improved PMI Algorithm
for Enhancing Segmentation System
†
DU Liping, LI Xiaoge , YU Gen, LIU Chunli, LIU Rui
School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121;
† Corresponding author, E-mail: lixg@xupt.edu.cn
Abstract This paper presents an unsupervised method to identify internet new words from the large scale web
corpus, which combines with an improved Point-wise Mutual Information (PMI), PMIk algorithm, and some basic
rules. This method can recognize internet new words with length from 2 to n (n is any number as needed).
Ex
文档评论(0)