三
31
说完了Python中的__call__函数，我们继续来完善segment.py，首先将Pw函数删除： 阅读全文
三
27
上一节我们已经解读了Pdist类中的__init__函数，这一节重点关注一下Python类中的__call__函数。首先简单的回顾一下上一节提到的一段话：缺省的情况，对于未知的单词，其概率均为1/N，但是对于每一个实例，Pdist均提供一个函数重载这个缺省值。为了避免过长 的单词拥有过高的概率，我们从概率10/N出发，对于候选单词的每一个字母都除以10。 阅读全文
三
21
自然语言处理和脚本语言的关系还是很密切的，我一直比较喜欢用Perl，不过因为NLTK的缘故，我学习了一下Python，也立即被Python的严谨所征服。印象《Learning Python》中提到了Perl和Python的一段八卦：Perl的发明者是语言学家，而Python的发明者则是数学科班出身，因此前者崇尚自由，而后者推崇严谨。大意如此，但是对于Perl和Python，我同样受用，该用哪个时就用哪个，没必要比较。 阅读全文
三
14
对于Pw函数，这里稍微多做一点说。首先我们从一元语言模型的文件里读取单词及其计数，如果一个单词在语料库中出现，它的概率就是Count(word)/N，这里N是语料库的单词数目的规模。事实上，相对于使用完整的1千3百万单词（词型）的一元语言模型，Peter Norvig大牛对这个一元语言模型进行了简化：（a) 创建了一个更通用的词汇表，并且其中的单词是大小写不敏感（不区分）的，故“the”,”The”以及“THE”的计数是加在一起作为“the”的计数的；(b)只有由字母(letter)组合的单词才被计入其中，而对于其他包含数字或者标点的“单词”则被过滤，故“+170.002”以及“can’t”都不会被计入；(c)只列出其中最常用的1百万单词中的前1/3，也就是333333个单词。 阅读全文
三
10
本节我们进入《Beautiful Data》中分词的编码阶段，完整的程序及数据大家可以在“Natural Language Corpus Data: Beautiful Data”上下载ngrams.zip，我这里主要做一些解读。程序由python实现，无论在Linux或者Windows平台下，只要安装了相应的python版本，程序均可以通过测试，不过我所使用的是python2.6，注意，在python3.0上会有一些问题。 阅读全文
一
25
在进入正题之前，还是先说两句篇外话，上一篇《中文分词入门之篇外》中说到了solol提供了Java版的mmseg，相似的，python版mmseg的作者fakechris也在这里留了言：
你好，我是pychseg的作者，一直没时间加上download，大家check out源代码就可以用了。。。
一
21
这篇不是计划内的“中文分词入门系列”，所以称之为篇外。上一篇《中文分词入门之最大匹配法扩展1》提到了MMSEG国内的一些情况：
不过国内也有该文的简介文章：《MMSeg分词算法简述》，原文似乎出自“www.solol.org”，但是我一直没打开这个网站，因为Java版的mmesg也是其提供的，不知道是已经关闭了还是被“墙”了。另外，leeing也翻译了全文《MMSEG 中文分词算法》，我粗略的读了一下，感觉翻译的不错。
十
14
nlpers上有几篇“Getting Started in X”，其中X分别是nlp（自然语言处理），summarization及sequence labeling，觉得写得不错，尤其是对初学者有一定借鉴意义，计划在这里分别结合自己的理解来介绍这几篇文章。本期介绍的是“如何学习自然语言处理（Getting Started in NLP）”，不过可惜nlpers目前仍不能访问，大家可以通过网页快照或者代理访问。 阅读全文
订阅52nlp：
