基于互信息改进算法的新词发现对中文分词系统改进.pdfVIP

下载本文档

46
0
约2.52万字
约 6页
2018-10-29 发布于北京
举报
版权申诉

基于互信息改进算法的新词发现对中文分词系统改进.pdf

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)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

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