知识卡片
词块与命名实体是不同层次
分块把相邻词按结构组合成逻辑单位;命名实体识别再尝试把片段分类为人、组织、地点等。包含专有名词的块不保证是组织,也不保证一个真实名字一定被合为单块;统计搭配与按语法分块又是不同途径,不能只因词常一起出现就得到确定实体类型。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 2 处
- · 查看原书依据
人、组织、位置等。解释器中NLP的继续执行如下: >>> ne_chunks = nltk.batch_ne_chunk(pos_tagged_tokens) >>> print ne_chunks [Tree('S', [Tree('PERSON', [('Mr.', 'NNP')]), Tree('PERSON', [('Green', 'NNP')])
- · 查看原书依据
以“NN”开头的任何标记都是名词或名词短语。宾州树库标签(http://bit.ly/1a1n59j)的完整清单可以在线获得。 示例5-8分析了应用于单词以及识别作为实体的名词和名词短语。以数据挖掘术语来说,依赖于你想完成的细微差别,在文档中寻找实体称为实体提取或命名实体识别。 示例5-8:使用NLTK从文本中提取实体 import nltk import
参考来源
- 位置:《社交网站的数据挖掘与分析(原书第2版)》第5章《5.3.1 逐步讲解自然语言处理》(spine94;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0083.html;u077-ch05-014)。
- 结论依据:原文在“人、组织、位置”附近的定义、例子或代码支撑本卡核心说明:分块把相邻词按结构组合成逻辑单位;命名实体识别再尝试把片段分类为人、组织、地点等。边界按已读前提解释;示例未执行。
- 原始内容:人、组织、位置等。解释器中NLP的继续执行如下: >>> ne_chunks = nltk.batch_ne_chunk(pos_tagged_tokens) >>> print ne_chunks [Tree('S', [Tree('PERSON', [('Mr.', 'NNP')]), Tree('PERSON', [('Green', 'NNP')])
- 位置:《社交网站的数据挖掘与分析(原书第2版)》第5章《5.4 以实体为中心的分析:范式转换》(spine95;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0084.html;u080-ch05-014)。
- 结论依据:NN/NNP等是词性类,按相同NN前缀标签合并只是名词块启发式,不是完整名词短语分析或现实身份确认。
- 原始内容:以“NN”开头的任何标记都是名词或名词短语。宾州树库标签(http://bit.ly/1a1n59j)的完整清单可以在线获得。 示例5-8分析了应用于单词以及识别作为实体的名词和名词短语。以数据挖掘术语来说,依赖于你想完成的细微差别,在文档中寻找实体称为实体提取或命名实体识别。 示例5-8:使用NLTK从文本中提取实体 import nltk import