知识卡片
分块器连接输入与块标签
ConseNPChunker负责把块树训练样本转成((word,POS),IOB)序列,并把预测IOB转回树;ConseNPChunkTagger逐token抽特征、调用Maxent分类器。对象组合把树格式与标签预测分开,不是两个类彼此继承。训练依赖外部megam与正确函数/数据,书中类名和片段标记有错,不能只建对象就称本机训练成功。
结构图: 类图
classDiagram
class TaggerI {
tag(tokens)
}
class ChunkParserI {
parse(tokens)
}
class ConseNPChunkTagger {
__init__(train_sents)
tag(sentence)
}
class ConseNPChunker {
__init__(train_sents)
parse(sentence)
}
class MaxentClassifier {
classify(featureset)
}
TaggerI <|-- ConseNPChunkTagger
ChunkParserI <|-- ConseNPChunker
ConseNPChunker --> ConseNPChunkTagger : 委托标签预测
ConseNPChunkTagger --> MaxentClassifier : 委托特征分类
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10章 NLP系统评估:性能分析 10.1.1 NLP工具的评估(词性标注器、词干提取器及形态分析器) · 查看原书依据
class ConseNPChunkTagger
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10章 NLP系统评估:性能分析,spine064单元005;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/text00063.html。
- 结论依据:原文两类的基类、self.tagger和self.classifier委托及parse返回树明确组合关系与数据转换。未在本机运行示例或改变环境。
- 原始内容:hunker 。它使用了最大熵分类器: class ConseNPChunkTagger(nltk.TaggerI): def __init__(self, train_sents): train_set = [] for tagsent in train_