Java新词发现算法码源之研究

本文介绍了一种基于互信息、左右熵及位置成词概率的中文新词发现方法,并分享了一个实现该方法的开源项目dict_build。此项目可在GitHub上找到。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

最近在学中文分词。

    发现新词用到了github上的sing1ee/dict_build,讲解在:

           自动构建中文词库:http://www.matrix67.com/blog/archives/5044

    挺有意思的。

           代码在github上,地址为: https://github.com/sing1ee/dict_build

     这种分词方法用到的是互信息、左右熵、位置成词概率等几个关键信息,发现新词。

互信息就不说了,其等于Log2(f * total / max),短语出现的概率除以该短语的左右熵。

左右熵,就是左熵和右熵的乘积;

位置成词概率,就是有概率的词典中 字或词的概率的乘积。

主要实现在FastBuilder.java文件中;应该不难。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值