北京大学学报(自然科学版) ›› 2016, Vol. 52 ›› Issue (1): 35-40.DOI: 10.13209/j.0479-8023.2016.024
杜丽萍, 李晓戈, 于根, 刘春丽, 刘睿
DU Liping, LI Xiaoge, YU Gen, LIU Chunli, LIU Rui
摘要:
提出一种非监督的新词识别方法。该方法利用互信息(PMI)的改进算法——PMIk算法与少量基本规则相结合, 从大规模语料中自动识别2~n元网络新词(n为发现的新词最大长度, 可以根据需要指定)。基于257 MB的百度贴吧语料实验, 当PMIk方法的参数为10时, 结果精度达到97.39%, 比PMI方法提高28.79%, 实验结果表明, 该新词发现方法能够有效地从大规模网络语料中发现新词。将新词发现结果编纂成用户词典, 加载到汉语词法分析系统ICTCLAS中, 基于10 KB的百度贴吧语料实验, 比加载用户词典前的分词结果准确率、召回率和F值分别提高7.93%, 3.73%和5.91%。实验表明, 通过进行新词发现能有效改善分词系统对网络文本的处理效果。
中图分类号: