Question

背景

将数据库列名拆分为等效的英文文本以播种数据字典。英语词典是从公司文档，维基和电子邮件的语料库中创建的。字典（lexicon.csv）是一个包含单词和概率的CSV文件。因此，有人写“治疗师”这个词（在电子邮件或维基页面上）的次数越多，“治疗师名称”分裂为“治疗师名称”的可能性就越大，而不是其他东西。（词典可能甚至不包括强奸犯这个词。）

源代码

TextSegmenter.java @ http://pastebin.com/taXyE03L
SortableValueMap.java @ http://pastebin.com/v3hRXYan

数据文件

lexicon.csv - http://pastebin.com/0crECtXY
columns.txt - http://pastebin.com/EtN9Qesr

问题（更新2011-01-03）

遇到以下问题时：

dependentrelationship::end depend ent dependent relationship
end=0.86
ent=0.001
dependent=0.8
relationship=0.9

存在以下可能的解决方案：

dependentrelationship::dependent relationship
dependentrelationship::dep end ent relationship
dependentrelationship::depend ent relationship

词典包含具有相对概率的单词（基于单词频率）：dependent 0.8，end 0.86，relationship 0.9，depend 0.3和ent 0.001。< / p>

消除dep end ent relationship的解决方案，因为dep不在词典中（即75％的单词使用率），而其他两个解决方案涵盖了词典中100％的单词。在其余解决方案中，dependent relationship的概率 0.72 而depend ent relationship 0.00027 。因此，我们可以选择dependent relationship作为正确的解决方案。

问题

假设：

// The concatenated phrase or database column (e.g., dependentrelationship).
String concat;

// All words (String) in the lexicon within concat, in left-to-right order; and
// the ranked probability of those words (Double). (E.g., {end, 0.97}
// {dependent, 0.86}, {relationship, 0.95}.)
Map.Entry<String, Double> word;

您如何实施基于词典覆盖率和概率生成最可能解决方案的例程？例如：

for( Map.Entry<String, Double> word : words ) {
  result.append( word.getKey() ).append( ' ' );

  // What goes here?

  System.out.printf( "%s=%f\n", word.getKey(), word.getValue() );
}

谢谢！

Answer 1

Peter Norvig在python中写了一些东西。

http://norvig.com/ngrams/ngrams.py

包含一个名为segment的函数。它运行一系列单词的朴素贝叶斯概率。效果很好。可以成为您尝试在Java中完成的基础的良好基础。

如果你把它转换成java，我会对看到它的实现感兴趣。

感谢。

麦克

Answer 2

我会稍微改变一下这个问题。重要的是“结束”和“依赖”重叠，但在你的单词Map中丢失了。如果您要创建一组字图而不是单个字图，而每个字图都表示列名称的可能分段（仅由非重叠字组成），您可以根据字的概率计算每个分段的分数和字长。分段的分数将是分段中各个单词的分数的平均值。单个单词的分数将是单词长度（l）和概率（p）的某个函数，类似于

score=al + bp

，其中a和b是权重，您可以通过调整来获得正确的混合。平均每个单词的分数以获得分段的分数，并选择具有最高分数的分段。分数函数也不必是线性加权，您可以尝试对数，指数或更高阶的多项式（例如正方形）

Answer 3

你的问题在NLP中是非常常见的 - 不要从重新发明轮子开始 - 这将花费你很长时间而不是已经那么好了。

首先，您应该看看NLP库提供的内容：http://en.wikipedia.org/wiki/Natural_language_processing和http://en.wikipedia.org/wiki/Category:Natural_language_processing_toolkits。您的问题很常见，您需要针对语料库进行探索。

您的单词拼写可以在连字例程下找到。两种可能的方法是n-gram（其中（例如）4字符子串的频率用于预测边界）并且尝试显示单词的共同开始或结束。其中一些可能有助于拼写错误。

但是没有简单的答案 - 找到最适合你的方法。

文本分割：基于字典的单词拆分

背景

源代码

数据文件

问题（更新2011-01-03）

相关

问题

3 个答案: