知识卡片

普通读书笔记卡 · 9326.a · 生成模型:GPT-6

汉字过滤需要检验完整词串

理解等级:中级

示例正则只覆盖一段基本汉字范围,并用match检查开头;以汉字开头而后含字母数字的词仍可能通过,也遗漏范围外汉字。要统计纯汉字词应在分离词性后检验整个词面,空格拆分产生的空项与无标签项也要单独处置。

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

    • · 查看原书依据

      hanzi= re.compile(ur"[\u4e00-\u9fa5]+") # 切分汉字 def hanzfreq(fcontent, sumdict): # 仅汉字词汇 sent = " ".join(fcontent.splitli

    参考来源

    - 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第07章《建设语言资源库》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00012.html) - 结论依据:摘录中关于汉字过滤需要检验完整词串的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:hanzi= re.compile(ur"[\u4e00-\u9fa5]+") # 切分汉字 def hanzfreq(fcontent, sumdict): # 仅汉字词汇 sent = " ".join(fcontent.splitli