V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
Livid
V2EX  ›  Python

结巴分词的那个 dict.txt 是用什么工具训练出来的呢?

  •  
  •   Livid · 2014-01-15 14:12:39 +08:00 · 13102 次点击
    这是一个创建于 3967 天前的主题,其中的信息可能已经有所发展或是发生改变。
    文件里包含 3 列:

    词 词频 词性

    貌似在 GitHub 上没有提供这个 dict.txt 的训练工具
    5 条回复    1970-01-01 08:00:00 +08:00
    ryon
        1
    ryon  
       2014-01-15 14:17:18 +08:00
    同关注,希望有人提供个解决方案
    eric
        2
    eric  
       2014-01-15 14:23:13 +08:00
    我以前做自然语言处理项目的时候是用的北大的人民日报的语料库,可以在 http://www.icl.pku.edu.cn/icl_res/ 申请下载。

    这个语料库已经完成了词语切分和语料标注,简单写个脚本跑一下就能生成 dict.txt 的那个格式了。
    chundong
        3
    chundong  
       2014-01-15 14:44:33 +08:00   ❤️ 1
    jieba项目上面有说明:
    > 来源主要有两个,一个是网上能下载到的1998人民日报的切分语料还有一个msr的切分语料。另一个是我自己收集的一些txt小说,用ictclas把他们切分(可能有一定误差)。 然后用python脚本统计词频。

    https://github.com/fxsjy/jieba/issues/7

    词库的话,搜狗有一个互联网词库, http://www.sogou.com/labs/dl/w.html
    fanzeyi
        4
    fanzeyi  
       2014-01-15 15:34:05 +08:00
    不知道结巴用的什么,我知道一份 Google 的..

    http://storage.googleapis.com/books/ngrams/books/datasetsv2.html
    ling0322
        5
    ling0322  
       2014-01-16 12:34:23 +08:00
    可以找一些很大的小说合集,或者手写一个爬虫爬新闻或者博客,然后用Stanford Word Segmenter去分词,再用Stanford POS Tagger去标注词性。这两个软件都是开源的。
    最后再写一个脚本统计每个词对应的词性出现的次数就OK了
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3274 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 12:47 · PVG 20:47 · LAX 04:47 · JFK 07:47
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.