HanLP-分类模块的分词器介绍

楼主^#

更多发布于：2019-06-14 11:02

[] 1


	最近发现一个很勤快的大神在分享他的一些实操经验，看了一些他自己关于hanlp方面的文章，写的挺好的！转载过来分享给大家！以下为分享原文（无意义的内容已经做了删除）如下图所示，HanLP的分类模块中单独封装了适用分类的分词器，当然这些分词器都是对HanLP提供的分词器的封装。分类模块中提供的分词器都在tokenizer包中。包括： BigramTokenizer这是一个2gram分词器，也就是把连续的2字认为是一个词 BlankTokenizer这是一个空白符分词器，以文本中的空白符作为词语间隔 HanLPTokenizer这是一个实词分词器，也就是只保留实词，它是分类模块的默认分词器图片：图1.jpg 如果需要修改分类模块的分词器，需要在加载文本数据之前，设置分词器，示例代码如下： IDataSet trainingCorpus = new FileDataSet(). // FileDataSet省内存，可加载大规模数据集 setTokenizer(new HanLPTokenizer()). // 支持不同的ITokenizer，详见源码中的文档 load(CORPUS_FOLDER, "UTF-8", 0.9); // 前90%作为训练集 IClassifier classifier = new NaiveBayesClassifier(); classifier.train(trainingCorpus); 还需要注意的是，这三种分词器其实都不太适合做情感分类的分词器，如果想用标准分词器作为情感分类的分词器，则用户需要自定义一个分词器类，该类需要实现ITokenizer接口并封装标准分词器。（如果直接调用setTokenizer方法传递下图hanlp分词器包中的分词器实例，则会报错）图片：图2.jpg