凝固度存疑

[WangQi1024]

您好，求解答： “巧克力”中“巧客”和“力”的凝固程度很高，所以更倾向于把“巧克力”定义为一个词，为什么按凝固程度，程序会找出“巧客”这样半个词的片段（博文中这么写的）谢谢？？？？

[jtyoui]

你说的巧客应该是巧克的意思吧，这个算法是按词袋进行统计的，意思是在统计巧克力三个字是不是成词的时候，首先先统计巧克（两个字）是不是成词，当巧克力出现的次数不是很多的时候，巧克的次数差不多等于巧克力的次数时，那么巧克和巧克力的统计分析结果相差不大，自然会出现断字（巧克之类的词语）出现。根本原因是数据量不足导致的。你可以人为的调整参数很增大数据量来避免这样的断字出现，其实有一些断字是有意义的，比如：中华人民共和国、中华、中华人民、共和国等都是有意义的。你如果只想要最大粒度的词语，那么过滤掉就行，过滤的算法可以参考：https://github.com/jtyoui/Jtyoui/blob/master/jtyoui/data/methods.py 里面的110行remove_subset函数。

import jtyoui

print(jtyoui.remove_subset(['aa', 'a', 'ab']))  
# ['aa', 'ab']

[jtyoui]

您好，求解答： “巧克力”中“巧客”和“力”的凝固程度很高，所以更倾向于把“巧克力”定义为一个词，为什么按凝固程度，程序会找出“巧客”这样半个词的片段（博文中这么写的）谢谢？？？？

https://github.com/jtyoui/Jtyoui/issues/14#issue-520022018

[WangQi1024]

Thank you for your answering!

…

------------------&nbsp;原始邮件&nbsp;------------------ 发件人: "Jtyoui"<notifications@github.com&gt;; 发送时间: 2019年11月11日(星期一) 上午8:59 收件人: "jtyoui/Jtyoui"<Jtyoui@noreply.github.com&gt;; 抄送: "王琦"<243011212@qq.com&gt;; "Author"<author@noreply.github.com&gt;; 主题: Re: [jtyoui/Jtyoui] 凝固度存疑 (#14) 你说的巧客应该是巧克的意思吧，这个算法是按词袋进行统计的，意思是在统计巧克力三个字是不是成词的时候，首先先统计巧克（两个字）是不是成词，当巧克力出现的次数不是很多的时候，巧克的次数差不多等于巧克力的次数时，那么巧克和巧克力的统计分析结果相差不大，自然会出现断字（巧克之类的词语）出现。根本原因是数据量不足导致的。你可以人为的调整参数很增大数据量来避免这样的断字出现，其实有一些断字是有意义的，比如：中华人民共和国、中华、中华人民、共和国等都是有意义的。你如果只想要最大粒度的词语，那么过滤掉就行，过滤的算法可以参考：https://github.com/jtyoui/Jtyoui/blob/master/jtyoui/data/methods.py 里面的110行remove_subset函数。 import jtyoui print(jtyoui.remove_subset(['aa', 'a', 'ab'])) # ['aa', 'ab'] — You are receiving this because you authored the thread. Reply to this email directly, view it on GitHub, or unsubscribe.