- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我想将 nltk.pos_tag 返回的词性 (POS) 用于 sklearn 分类器,如何将它们转换为向量并使用它?例如
sent = "这是 POS 示例"
tok=nltk.tokenize.word_tokenize(已发送)pos=nltk.pos_tag(tok)打印(位置)
返回以下内容[('This', 'DT'), ('is', 'VBZ'), ('POS', 'NNP'), ('example', 'NN')]
现在我无法应用任何矢量化器(DictVectorizer,或 FeatureHasher,来自 scikitlearn 的 CountVectorizer)在分类器中使用
请推荐
最佳答案
如果我没听错的话,这有点棘手。一旦你标记它,你的句子(或文档,或其他什么)不再由单词组成,而是由成对(单词 + 标签)组成,并且不清楚如何从中制作最有用的标量向量。
大多数文本向量化器都会做一些事情,比如计算每个词汇项出现的次数,然后为每个词项制作一个特征:
the: 4, player: 1, bats: 1, well: 2, today: 3,...
下一个文档可能有:
the: 0, quick:5, flying:3, bats:1, caught:1, bugs:2
两者都可以存储为整数数组,只要您始终将相同的键放在相同的数组元素中(对于大多数文档,您将有很多零)——或存储为字典。因此,矢量化器会为许多“文档”执行此操作,然后对其进行处理。
因此,您的问题归结为如何将成对列表转换为向量化器可以计数的平面项目列表。
最简单的方法是将数据扁平化为
('This', 'POS_DT', 'is', 'POS_VBZ', 'POS', 'POS_NNP', 'example', 'POS_NN')
通常的计数会得到一个包含 8 个词汇项的向量,每个词项出现一次。我重命名了标签以确保它们不会与单词混淆。
这会让您启动并运行,但可能不会有太大成就。这是因为仅仅知道样本中每个词性出现的次数可能无法告诉您您需要什么——请注意,在向量化器进行计数后,关于词性与词性的任何概念都消失了。
如果您试图区分风格之类的东西,那么对其运行分类器可能会有一些值(value)——小说可能有更多的形容词,实验室报告可能有更少的专有名词(也许),等等。
相反,您可以将数据更改为
('This_DT', 'is_VBZ', 'POS_NNP', 'example_NN')
这使得每个标签“绑定(bind)”到它所属的单词,所以现在向量将能够区分“ bat ”用作动词的样本和仅用作名词的样本。这会告诉您略有不同的事情——例如,“bat”作为动词更可能出现在有关棒球的文本中,而不是有关动物园的文本中。
您还可以进行许多其他安排。
为了在自然语言文本上使用矢量方法获得良好的结果,您可能需要花很多心思(和测试)来确定您希望矢量化器生成和使用哪些特征。这在很大程度上取决于您最终要实现的目标。
希望对您有所帮助。
关于python:如何在 scikit 学习分类器 (SVM) 等中使用 POS(词性)特征,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24002485/
我在网上搜索但没有找到任何合适的文章解释如何使用 javascript 使用 WCF 服务,尤其是 WebScriptEndpoint。 任何人都可以对此给出任何指导吗? 谢谢 最佳答案 这是一篇关于
我正在编写一个将运行 Linux 命令的 C 程序,例如: cat/etc/passwd | grep 列表 |剪切-c 1-5 我没有任何结果 *这里 parent 等待第一个 child (chi
所以我正在尝试处理文件上传,然后将该文件作为二进制文件存储到数据库中。在我存储它之后,我尝试在给定的 URL 上提供文件。我似乎找不到适合这里的方法。我需要使用数据库,因为我使用 Google 应用引
我正在尝试制作一个宏,将下面的公式添加到单元格中,然后将其拖到整个列中并在 H 列中复制相同的公式 我想在 F 和 H 列中输入公式的数据 Range("F1").formula = "=IF(ISE
问题类似于this one ,但我想使用 OperatorPrecedenceParser 解析带有函数应用程序的表达式在 FParsec . 这是我的 AST: type Expression =
我想通过使用 sequelize 和 node.js 将这个查询更改为代码取决于在哪里 select COUNT(gender) as genderCount from customers where
我正在使用GNU bash,版本5.0.3(1)-发行版(x86_64-pc-linux-gnu),我想知道为什么简单的赋值语句会出现语法错误: #/bin/bash var1=/tmp
这里,为什么我的代码在 IE 中不起作用。我的代码适用于所有浏览器。没有问题。但是当我在 IE 上运行我的项目时,它发现错误。 而且我的 jquery 类和 insertadjacentHTMl 也不
我正在尝试更改标签的innerHTML。我无权访问该表单,因此无法编辑 HTML。标签具有的唯一标识符是“for”属性。 这是输入和标签的结构:
我有一个页面,我可以在其中返回用户帖子,可以使用一些 jquery 代码对这些帖子进行即时评论,在发布新评论后,我在帖子下插入新评论以及删除 按钮。问题是 Delete 按钮在新插入的元素上不起作用,
我有一个大约有 20 列的“管道分隔”文件。我只想使用 sha1sum 散列第一列,它是一个数字,如帐号,并按原样返回其余列。 使用 awk 或 sed 执行此操作的最佳方法是什么? Accounti
我需要将以下内容插入到我的表中...我的用户表有五列 id、用户名、密码、名称、条目。 (我还没有提交任何东西到条目中,我稍后会使用 php 来做)但由于某种原因我不断收到这个错误:#1054 - U
所以我试图有一个输入字段,我可以在其中输入任何字符,但然后将输入的值小写,删除任何非字母数字字符,留下“。”而不是空格。 例如,如果我输入: 地球的 70% 是水,-!*#$^^ & 30% 土地 输
我正在尝试做一些我认为非常简单的事情,但出于某种原因我没有得到想要的结果?我是 javascript 的新手,但对 java 有经验,所以我相信我没有使用某种正确的规则。 这是一个获取输入值、检查选择
我想使用 angularjs 从 mysql 数据库加载数据。 这就是应用程序的工作原理;用户登录,他们的用户名存储在 cookie 中。该用户名显示在主页上 我想获取这个值并通过 angularjs
我正在使用 autoLayout,我想在 UITableViewCell 上放置一个 UIlabel,它应该始终位于单元格的右侧和右侧的中心。 这就是我想要实现的目标 所以在这里你可以看到我正在谈论的
我需要与 MySql 等效的 elasticsearch 查询。我的 sql 查询: SELECT DISTINCT t.product_id AS id FROM tbl_sup_price t
我正在实现代码以使用 JSON。 func setup() { if let flickrURL = NSURL(string: "https://api.flickr.com/
我尝试使用for循环声明变量,然后测试cols和rols是否相同。如果是,它将运行递归函数。但是,我在 javascript 中执行 do 时遇到问题。有人可以帮忙吗? 现在,在比较 col.1 和
我举了一个我正在处理的问题的简短示例。 HTML代码: 1 2 3 CSS 代码: .BB a:hover{ color: #000; } .BB > li:after {
我是一名优秀的程序员,十分优秀!