我正在做一个机器学习项目，我在中文文本上构建一个朴素贝叶斯分类器。我想使用 n-gram 汉字作为特征，所以我需要能够将文本拆分为 unigrams（单个字符）、bigrams（两个字符的序列）等等。（我不关心特殊的标记化之类的——我只想要原始字符作为 n-gram。）
我如何在 Scala 中做到这一点？我试图text.sliding(2)获得二元组，但这似乎并不奏效。（我猜是因为汉字不像英文那样是一个字节？）
问问题
420 次
2 回答
3
一般来说，这是一个关于在 Java 中正确处理 Unicode 的问题，因此也是关于 Scala 的问题。从我对互联网的粗略浏览来看，似乎没有“一种真正的方法”来处理 Java 中的 Unicode。我不是 NLP 人，所以我对您想要做什么的理解可能不正确。
val text = "囗土夊米"
val unigrams = text.toCharArray
/* With the constraint unigrams is even, without the toString you get weird coercions */
val bigrams =
for (i <- 0 until unigrams.length if i % 2 == 0) yield unigrams(i).toString + unigrams(i + 1)
类似的东西应该很容易推广到一组 n-gram 函数，这些函数将提取你需要的东西，这些当然是简单的幼稚实现。
于 2012-10-01T08:31:52.640 回答
0
试试mecab。我使用 mecab 为日语和中文创建令牌。一旦安装了 mecab……python api。
请参阅此参考。
有关如何安装 mecab，请参阅此内容。
于 2012-10-01T04:09:34.700 回答