首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >中文分词实践(基于R语言)

中文分词实践(基于R语言)

作者头像
机器学习AI算法工程
发布2018-03-14 16:56:39
1.1K0
发布2018-03-14 16:56:39
举报

背景:分析用户在世界杯期间讨论最多的话题。

思路:把用户关于世界杯的帖子拉下来,然后做中文分词+词频统计,最后将统计结果简单做个标签云.

后续:中文分词是中文信息处理的基础,分词之后,其实还有特别多有趣的文本挖掘工作可以做,也是个知识发现的过程。

* 中文分词常用实现:

单机:R语言+Rwordseg分词包 (建议数据量<1G) 分布式:Hadoop+Smallseg库 词库:Sougou词库,Sougou输入法官网可下载 这里只先介绍单机的实现: 1、R语言:专门用于统计分析、绘图的语言 2、Rwordseg分词包:引用了@ansj开发的ansj中文分词工具,基于中科院的ictclas中文分词算法,无论是准确度还是运行效率都超过了rmmseg4j。

* 环境准备 (Windows或Linux版本都行):

R下载:http://mirrors.ustc.edu.cn/CRAN/ Rwordseg包下载:https://r-forge.r-project.org/R/?group_id=1054 rJava包下载:http://cran.r-project.org/web/packages/rJava/index.html Rwordseg和rJava这些包解压后放到\R\R-3.1.0\library即可

* R语言 实现 代码

  1. # 加载rJava、Rwordseg库
  2. library(rJava);
  3. library(Rwordseg);
  4. # == 读入数据
  5. lecture=read.csv("E:\\worldcup_test.txt",sep=",",header=TRUE,fileEncoding="UTF-8");
  6. # 查看前几行,看是否有字符编码问题
  7. head(lecture);
  8. # 获取数据集长度
  9. n=length(lecture[,1]);
  10. print(n)
  11. # == 文本预处理
  12. res=lecture[lecture!=" "];
  13. #剔除URL
  14. res=gsub(pattern="http:[a-zA-Z\\/\\.0-9]+","",res);
  15. #剔除特殊词
  16. res=gsub(pattern="[我|你|的|了|是]","",res);
  17. # == 分词+频数统计
  18. words=unlist(lapply(X=res, FUN=segmentCN));
  19. word=lapply(X=words, FUN=strsplit, " ");
  20. v=table(unlist(word));
  21. # 降序排序
  22. v=rev(sort(v));
  23. d=data.frame(word=names(v), freq=v);
  24. # 过滤掉1个字和词频小于100的记录
  25. d=subset(d, nchar(as.character(dword))>1 & dword))>1 & dfreq>=100)
  26. # == 输出结果
  27. write.csv(d, file="E:\\worldcup_keyword.txt", row.names=FALSE)

将文本信息存放在E:\\worldcup_test.txt中,运行后E:\\worldcup_keyword.txt就是保存了统计完的结果了.

* 常见问题:一些词没被识别 => 手动添加词库

只使用默认词库的分词效果不是很好,最主要问题就是一些球星名字没有被识别出来.

这种情况需要手动添加一些词库进来,一般使用Sougou词库,在Sougou输入法的工具箱里,有细胞词库一栏,点击后即可在其官网下载需要的词库。

除了使用网上的词库,也可以自己手动添加一些词进去,每个词一行写到.txt文件上,调用installDict()添加即可

  1. # == 添加新词库(跑一遍即可)
  2. installDict("D:\\Program Files\\R\\R-3.1.0\\libword\\myword.txt", dictname="myword")
  3. installDict("D:\\Program Files\\R\\R-3.1.0\\libword\\foodball.scel", dictname="foodball")
  4. # 显示当前手动添加的词库
  5. listDict()

手工添加完词库后,分词效果明显就上来了:

* 常见问题:文本存在乱码和特殊字符 => 脚本过滤

由于帖子属于UGC内容,一些乱码和特殊字符会影响R语言处理文本。比如read.cvs()读入文件读到乱码就返回了,没能读入全部文本。

这里没有深入去看R语言的字符处理方式,而是选择绕开这个问题,统一将utf8文本转成unicode,写了段Python根据中文的编码范围来过滤掉乱码(替换为" "):

* 常见问题:文本数据量过大 => 切分文件分批次计算、或使用Hadoop+Smallseg库

==================================================

* 中文分词基础

1、分词算法: a、基于规则(即字符串匹配,词库组织成字典树) - 正向最大匹配:从左到右,"不知道|你|在|说什么" - 反向最大匹配:从右到左,"不|知道|你在|说|什么" - 最短路径:切出来的词最少,"不知道|你在|说什么"(效果较好) b、基于词义(还不成熟) c、基于统计(概率论) 2、语料库(词库):来源于大量真实文本的加工和训练

* 中科院ictclas中文分词系统

中科院的ictclas应该是国内做得最好的中文分词系统了,例子使用的Rwordseg分词包就是基于ictclas算法实现,具体算法思路可在其官网贴出的相关论文学习到:( http://www.ictclas.org/

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器学习AI算法工程 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档