知识卡片
一元标注按词的最常见标签决策
UnigramTagger把当前词当上下文,从训练中选择该词最常见标签,或接收手工model字典;没有记录且无回退时给None。Vinken唯一映射例不等于所有未知词都应作名词,也不利用句中前后语境区别同形词义。单看训练句预测正确不能证明泛化,因为它可能只是记住已见词的频率。
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 · 1 处
- 第4章 词性标注:单词识别 4.4 涉及n-gram的统计建模 · 查看原书依据
model={'Vinken': 'NN'}
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4章 词性标注:单词识别,spine058单元007;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/text00057.html。
- 结论依据:原文单词表仅Vinken命中、其余None,以及ContextTagger最频标签规则说明一元上下文和缺失行为。未在本机运行示例或改变环境。
- 原始内容:tag = UnigramTagger(model={'Vinken': 'NN'}) >>> unitag.tag(treebank.sents()[0]) [('Pierre', None), ('Vinken', 'NN'), (',', None