在自然语言处理中，分块的目的是什么？

Question

在自然语言处理中，分块的目的是什么？

Answer 1

Chunking也称为浅层解析，它基本上是识别词性和短语（如名词短语）。 Part of speech tagging告诉你单词是名词，动词，形容词等，但它并没有给你任何关于句子或句子结构的线索。有时获取更多信息而不仅仅是单词的词性是有用的，但是您不需要从解析中获得的完整解析树。

可能更喜欢分块的示例是Named Entity Recognition。在NER中，你的目标是找到命名实体，这些实体往往是名词短语（虽然并非总是如此），所以你想知道总统巴拉克奥巴马在下面的句子中：

  

美国总统巴拉克•奥巴马（Barack Obama）批评保险公司和银行，因为他敦促支持者向国会施压，要求国会支持改革医疗体系和改革金融监管的举措。 （source）

但你不一定会关心他是句子的主题。

Chunking也被广泛用作其他任务的预处理步骤，如基于实例的机器翻译，自然语言理解，语音生成等。

Answer 2

对于自然语言处理中的“文本分块”，请参阅here（您可能希望本系列中的所有讲座都是“NLP 101”......）：它涵盖了一系列任务，如找到名词组，找到动词组，并完成分区句子 - ＆gt;几种类型的块。我引用其URL的讲座详细介绍了！

Answer 3

将单词分组为语法相关的短语（块）。注意：IOB标签可用于指示块边界。