
R語言文本挖掘之中文分詞包—Rwordseg包(原理、功能、詳解)
與前面的RsowballC分詞不同的地方在于這是一個(gè)中文的分詞包,簡(jiǎn)單易懂,分詞是一個(gè)非常重要的步驟,可以通過一些字典,進(jìn)行特定分詞。大致分析步驟如下:
數(shù)據(jù)導(dǎo)入——選擇分詞字典——分詞
但是下載步驟比較繁瑣,可參考之前的博客: R語言·文本挖掘︱Rwordseg/rJava兩包的安裝(安到吐血)
——————————————————————————————————
Rwordseg與jiebaR分詞之間的區(qū)別
中文分詞比較有名的包非`Rwordseg`和`jieba`莫屬,他們采用的算法大同小異,這里不再贅述,我主要講一講他們的另外一個(gè)小的不同:
`Rwordseg`在分詞之前會(huì)去掉文本中所有的符號(hào),這樣就會(huì)造成原本分開的句子前后相連,本來是分開的兩個(gè)字也許連在一起就是一個(gè)詞了,
而`jieba`分詞包不會(huì)去掉任何符號(hào),而且返回的結(jié)果里面也會(huì)有符號(hào)。
所以在小文本準(zhǔn)確性上可能`Rwordseg`就會(huì)有“可以忽視”的誤差,但是文本挖掘都是大規(guī)模的文本處理,由此造成的差異又能掀起多大的漣漪,與其分詞后要整理去除各種符號(hào),倒不如提前把符號(hào)去掉了,所以我們才選擇了`Rwordseg`。
來看一下這篇論文一些中文分詞工具的性能比較《開源中文分詞器的比較研究_黃翼彪,2013》
8款中文分詞器的綜合性能排名:
Paoding(準(zhǔn)確率、分詞速度、新詞識(shí)別等,最棒)
mmseg4j(切分速度、準(zhǔn)確率較高)
IKAnalyzer
Imdict-chinese-analyzer
Ansj
盤古分詞
Httpcws
jieba
——————————————————————————————————
Rwordseg分詞原理以及功能詳情
Rwordseg 是一個(gè)R環(huán)境下的中文分詞工具,使用 rJava 調(diào)用 Java 分詞工具 Ansj。
Ansj 也是一個(gè)開源的 Java 中文分詞工具,基于中科院的 ictclas 中文分詞算法, 采用隱馬爾科夫模型(Hidden Markov Model, HMM)。作者孫健重寫了一個(gè)Java版本, 并且全部開源,使得 Ansi 可用于人名識(shí)別、地名識(shí)別、組織機(jī)構(gòu)名識(shí)別、多級(jí)詞性標(biāo)注、 關(guān)鍵詞提取、指紋提取等領(lǐng)域,支持行業(yè)詞典、 用戶自定義詞典。
1、分詞原理
n-Gram+CRF+HMM的中文分詞的java實(shí)現(xiàn).
分詞速度達(dá)到每秒鐘大約200萬字左右(mac air下測(cè)試),準(zhǔn)確率能達(dá)到96%以上
目前實(shí)現(xiàn)了.中文分詞. 中文姓名識(shí)別 . 用戶自定義詞典,關(guān)鍵字提取,自動(dòng)摘要,關(guān)鍵字標(biāo)記等功能
可以應(yīng)用到自然語言處理等方面,適用于對(duì)分詞效果要求高的各種項(xiàng)目.
該算法實(shí)現(xiàn)分詞有以下幾個(gè)步驟:
1、全切分,原子切分;
2、 N最短路徑的粗切分,根據(jù)隱馬爾科夫模型和viterbi算法,達(dá)到最優(yōu)路徑的規(guī)劃;
3、人名識(shí)別;
4、 系統(tǒng)詞典補(bǔ)充;
5、 用戶自定義詞典的補(bǔ)充;
6、 詞性標(biāo)注(可選)
2、Ansj分詞的準(zhǔn)確率
這是我采用人民日?qǐng)?bào)1998年1月語料庫的一個(gè)測(cè)試結(jié)果,首先要說明的是這份人工標(biāo)注的語料庫本身就有錯(cuò)誤。
P(準(zhǔn)確率):0.984887218571267
R(召回率):0.9626488103178712
F(綜合指標(biāo)F值):0.9736410471396494
3、歧義詞、未登錄詞的表現(xiàn)
歧異方面的處理方式自我感覺還可以,基于“最佳實(shí)踐規(guī)則+統(tǒng)計(jì)”的方式,雖然還有一部分歧異無法識(shí)別,但是已經(jīng)完全能滿足工程應(yīng)用了。
至于未登錄詞的識(shí)別,目前重點(diǎn)做了中文人名的識(shí)別,效果還算滿意,識(shí)別方式用的“字體+前后監(jiān)督”的方式,也算是目前我所知道的效果最好的一種識(shí)別方式了。
4、算法效率
在我的測(cè)試中,Ansj的效率已經(jīng)遠(yuǎn)超ictclas的其他開源實(shí)現(xiàn)版本。
核心詞典利用雙數(shù)組規(guī)劃,每秒鐘能達(dá)到千萬級(jí)別的粗分。在我的MacBookAir上面,分詞速度大約在300w/字/秒,在酷睿i5+4G內(nèi)存組裝機(jī)器上,更是達(dá)到了400w+/字/秒的速度。數(shù)據(jù)分析師培訓(xùn)
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03