WEB开发网
开发学院WEB开发ASP 中文分词和TF-IDF 阅读

中文分词和TF-IDF

 2009-07-08 10:41:45 来源:WEB开发网   
核心提示:中文分词(Chinese Word Segmentation)指的是将一个汉字序列切分成一个一个单独的词,中文分词是文本挖掘的基础,中文分词和TF-IDF,对于输入的一段中文,成功的进行中文分词,对于输入的一段中文,成功的进行中文分词,可以达到电脑自动识别语句含义的效果,TF-IDF(term frequency–in

中文分词(Chinese Word Segmentation)指的是将一个汉字序列切分成一个一个单独的词。中文分词是文本挖掘的基础,对于输入的一段中文,成功的进行中文分词,可以达到电脑自动识别语句含义的效果。

TF-IDF(term frequency–inverse document frequency)是一种用于信息搜索和信息挖掘的常用加权技术。在搜索、文献分类和其他相关领域有广泛的应用。

TF-IDF的主要思想是,如果某个词或短语在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。TF词频(Term Frequency)指的是某一个给定的词语在该文件中出现的次数。IDF反文档频率(Inverse Document Frequency)的主要思想是:如果包含词条的文档越少,IDF越大,则说明词条具有很好的类别区分能力。

使用TF*IDF可以计算某个关键字在某篇文章里面的重要性,因而识别这篇文章的主要含义,实现计算机读懂文章的功能。

常见中文分词开源项目:

SCWS:

Hightman开发的一套基于词频词典的机械中文分词引擎,它能将一整段的汉字基本正确的切分成词。采用的是采集的词频词典,并辅以一定的专有名称,人名,地名,数字年代等规则识别来达到基本分词,经小范围测试大概准确率在 90% ~ 95% 之间,已能基本满足一些小型搜索引擎、关键字提取等场合运用。45Kb左右的文本切词时间是0.026秒,大概是1.5MB文本/秒,支持php4和PHP 5。

ICTCLAS:  

这可是最早的中文开源分词项目之一,ICTCLAS在国内973专家组组织的评测中活动获得了第一名,在第一届国际中文处理研究机构SigHan组织的评测中都获得了多项第一名。ICTCLAS3.0分词速度单机996KB/s,分词精度98.45%,API不超过200KB,各种词典数据压缩后不到3M.ICTCLAS全部采用C/C++编写,支持linux、FreeBSD及Windows系列操作系统,支持C/C++、C#、Delphi、java等主流的开发语言。

庖丁解牛分词:

Java 提供lucence 接口,仅支持Java语言。

CC-CEDICT:

一个中文词典开源项目,提供一份以汉语拼音为中文辅助的汉英辞典,截至2009年2月8日,已收录82712个单词。其词典可以用于中文分词使用,而且不存在版权问题。Chrome中文版就是使用的这个词典进行中文分词的。

基于VB/asp的中文分词

上面的开源项目没有给予VB和ASP的,这里提供一个简单的VB/ASP类,加上词典之后就可以进行分词了,注意这个类只供演示,其分词速度极慢不适合实际应用。

类名为:WordSplit

PRivate rootTable As String
http://bizhi.cncms.com/
Private Function GetCount(ByVal s As String) As Long
   GetCount = InStr(1, rootTable, s)
End Function

Public Function WordCount(ByVal strString As String, ByVal strGetWord As String) As Long
   Dim k
   k = Split(strString, strGetWord)
   WordCount = UBound(k)
End Function


' 分析输入的字符串,将其切割成一个个的词语。
' <param name="s">待切割的字符串</param>
' <returns>所切割得到的中文词语数组</returns>

Public Function ParseChinese(ByVal s As String, ByVal separator As String) As String
   Dim lngLength As Long
   Dim strTemp As String
   Dim ArrayList As String
   Dim i, j

   ArrayList = ""
   lngLength = Len(s)
   i = 1
   While i < lngLength
     strTemp = Mid(s, i, 1)
     If GetCount(strTemp) > 1 Then
       j = 2
       While i + j < lngLength + 1 And GetCount(Mid(s, i, j)) > 0
         j = j + 1
       Wend
       strTemp = Mid(s, i, j - 1)
       i = i + j - 2
     End If
     i = i + 1
     'WordAdd (temp)
     ArrayList = ArrayList + strTemp + separator
   Wend
   ParseChinese = ArrayList

End Function

Private Sub Class_Initialize()
   Dim fso, templetfile, txtfile
   templetfile = App.Path + "\ChineseDictionary.txt"
   Set fso = CreateObject("Scripting.FileSystemObject")
   Set txtfile = fso.OpenTextFile(templetfile, 1)
   rootTable = txtfile.ReadAll
   txtfile.Close
End Sub

调用示例:

   strInput = "中文分词指的是将一个汉字序列切分成一个一个单独的词。中文分词是文本挖掘的基础,对于输入的一段中文,成功的进行中文分词,可以达到电脑自动识别语句含义的效果。"
   Dim strWordSplit As New WordSplit
   strSubject = strWordSplit.ParseChinese(strInput, "|")
   arrSubject = Split(strSubject, "|")

转载自月光博客 [ http://www.williamlong.info/ ]

Tags:中文 分词 TF

编辑录入:爽爽 [复制链接] [打 印]
赞助商链接