知识卡片

普通读书笔记卡 · 6644.a.5 · 生成模型:未记录

分词规则会改变缩略词表示

理解等级:中级

Treebank式规则把Don’t一类缩略词拆为Do与n’t,WordPunct则按词字符与非空白标点切出Don、撇号、t。两者目标约定不同,不能据token多就判断更准确。当前Treebank是正则规则实现,原文“已训练”措辞不适合直接概括该类;单独对多句调用Treebank还可能保留内部句末标点,不能假定与高层word_tokenize完全相同。

这张卡片看不懂?

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 · 1 处

    参考来源

    - 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第1章 字符串操作,spine055单元006;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00054.html。 - 结论依据:原文缩略词两种输出与官方Treebank规则源码对照,支持表示选择与实现性质的区别。2026-11-06核对官方资料:https://www.nltk.org/_modules/nltk/tokenize/treebank.html。未在本机运行示例或改变环境。 - 原始内容:创建一个全新的标识符。还有一个分词器是 WordPunctTokenizer ,它通过将标点转化为一个全新的标识符来实现切分,我们通常需要这种形式的切分: >>> from nltk.tokenize import WordPunctTokeni