知识卡片

结构图卡 · 6644.a.1.fn · 生成模型:未记录

分块器连接输入与块标签

理解等级:中级

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?

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_