我已经编写了一个脚本,它基本上将句子中的所有字符串拆分为多个部分;例如为每个字符串添加特定字符python中的字符串列表
;
"geldigim" -> "gel" "di" "g" "i" "m"
虽然有些字符串可能会像上面那样拆分,但其中的一些可能会拆分为以下;
"bildi" > "bil" "di"
或者某些句子根本不能被分割。
"kos" -> "kos"
它完全取决于将字符串拆分为多个部分的函数。
我想要做的是以下几点:
geldigim -> /gel* *di* *g* *i* *m/
bildi -> /bil* *di/
kos -> /kos/
我做什么;
我有一个有37251512句子的语料库。我写了下面的脚本;
if __name__ == "__main__":
io = morfessor.MorfessorIO()
print "Importing corpus ..."
f = codecs.open("corpus/corpus_tr_en/corpus.tr", encoding="utf-8").readlines()
print "Importing morphology model ..."
model = io.read_binary_model_file('seg/tr/model.bin')
corpus = open('dataset/dataset_tr_en/full_segmented.tr', 'w')
for a in range(len(f)):
print str(a) + ' : ' + str(len(f))
words = f[a].replace('\n', '').split()
line_str = ''
for word in words:
segmentation = model.viterbi_segment(word)[0]
if len(segmentation) == 1:
line_str = '/' + segmentation[0] + '/'
if len(segmentation) == 2:
line_str = '/' + segmentation[0] + '* *' + segmentation[1] + '/'
if len(segmentation) > 2:
line_str = ''
for b in range(len(segmentation)):
if (b == 0):
line_str = line_str + '/' + segmentation[b] + '*'
if (b != 0) and (b != (len(segmentation) - 1)):
line_str = line_str + ' *' + segmentation[b] + '* '
if (b == (len(segmentation) - 1)):
line_str = line_str + ' *' + segmentation[b] + '/'
line_str = line_str + ' '
corpus.write(line_str.encode('utf-8'))
corpus.write('\n')
corpus.close()
该脚本遍历每个句子,句子中的每个单词,并与io.read_binary_model_file
功能分成部分。
但它对我来说太贵了,它很慢。
你能否告诉我一种能使过程非常快速的方法?
感谢,
是什么viterbi_segment()呢?你能发布这个函数的代码吗? /Teşekkür* * ler/ – Ukimiku
它基本上是一个函数,它基本上适合字符串到由“Morfessor”创建的机器学习模型中。 – yusuf
我在问,因为如果你给我们看代码,也许有办法加快它。 – Ukimiku