導(dǎo)讀：在人類社會中，語言扮演著重要的角色，語言是人類區(qū)別于其他動物的根本標(biāo)志，沒有語言，人類的思維無從談起，溝通交流更是無源之水。

所謂“自然”乃是寓意自然進(jìn)化形成，是為了區(qū)分一些人造語言，類似C++、Java等人為設(shè)計的語言。

NLP的目的是讓計算機(jī)能夠處理、理解以及運(yùn)用人類語言，達(dá)到人與計算機(jī)之間的有效通訊。

作者：涂銘 劉祥 劉樹春

本文摘編自《Python自然語言處理實戰(zhàn)：核心技術(shù)與算法》，如需轉(zhuǎn)載請聯(lián)系我們

01 什么是NLP

1. NLP的概念

NLP（Natural Language Processing，自然語言處理）是計算機(jī)科學(xué)領(lǐng)域以及人工智能領(lǐng)域的一個重要的研究方向，它研究用計算機(jī)來處理、理解以及運(yùn)用人類語言（如中文、英文等），達(dá)到人與計算機(jī)之間進(jìn)行有效通訊。

在一般情況下，用戶可能不熟悉機(jī)器語言，所以自然語言處理技術(shù)可以幫助這樣的用戶使用自然語言和機(jī)器交流。從建模的角度看，為了方便計算機(jī)處理，自然語言可以被定義為一組規(guī)則或符號的集合，我們組合集合中的符號來傳遞各種信息。

這些年，NLP研究取得了長足的進(jìn)步，逐漸發(fā)展成為一門獨(dú)立的學(xué)科，從自然語言的角度出發(fā)，NLP基本可以分為兩個部分：自然語言處理以及自然語言生成，演化為理解和生成文本的任務(wù)，如圖所示。

▲NLP的基本分類

自然語言的理解是個綜合的系統(tǒng)工程，它又包含了很多細(xì)分學(xué)科，有代表聲音的音系學(xué)，代表構(gòu)詞法的詞態(tài)學(xué),代表語句結(jié)構(gòu)的句法學(xué)，代表理解的語義句法學(xué)和語用學(xué)。

• 音系學(xué)：指代語言中發(fā)音的系統(tǒng)化組織。

• 詞態(tài)學(xué)：研究單詞構(gòu)成以及相互之間的關(guān)系。

• 句法學(xué)：給定文本的哪部分是語法正確的。

• 語義學(xué)：給定文本的含義是什么？

• 語用學(xué)：文本的目的是什么？

語言理解涉及語言、語境和各種語言形式的學(xué)科。而自然語言生成（Natural Language Generation，NLG）恰恰相反，從結(jié)構(gòu)化數(shù)據(jù)中以讀取的方式自動生成文本。該過程主要包含三個階段：

• 文本規(guī)劃：完成結(jié)構(gòu)化數(shù)據(jù)中的基礎(chǔ)內(nèi)容規(guī)劃

• 語句規(guī)劃：從結(jié)構(gòu)化數(shù)據(jù)中組合語句來表達(dá)信息流

• 實現(xiàn)：產(chǎn)生語法通順的語句來表達(dá)文本

2. NLP的研究任務(wù)

NLP可以被應(yīng)用于很多領(lǐng)域，這里大概總結(jié)出以下幾種通用的應(yīng)用：

• 機(jī)器翻譯：計算機(jī)具備將一種語言翻譯成另一種語言的能力。

• 情感分析：計算機(jī)能夠判斷用戶評論是否積極。

• 智能問答：計算機(jī)能夠正確回答輸入的問題。

• 文摘生成：計算機(jī)能夠準(zhǔn)確歸納、總結(jié)并產(chǎn)生文本摘要。

• 文本分類：計算機(jī)能夠采集各種文章，進(jìn)行主題分析，從而進(jìn)行自動分類。

• 輿論分析：計算機(jī)能夠判斷目前輿論的導(dǎo)向。

• 知識圖譜：知識點相互連接而成的語義網(wǎng)絡(luò)。

機(jī)器翻譯是自然語言處理中最為人所熟知的場景，國內(nèi)外有很多比較成熟的機(jī)器翻譯產(chǎn)品，比如百度翻譯、Google翻譯等，還有提供支持語音輸入的多國語言互譯的產(chǎn)品。

情感分析在一些評論網(wǎng)站比較有用，比如某餐飲網(wǎng)站的評論中會有非常多拔草的客人的評價，如果一眼掃過去滿眼都是又貴又難吃，那誰還想去呢？另外有些商家為了獲取大量的客戶不惜雇傭水軍灌水，那就可以通過自然語言處理來做水軍識別，情感分析來分析總體用戶評價是積極還是消極。

智能問答在一些電商網(wǎng)站有非常實際的價值，比如代替人工充當(dāng)客服角色，有很多基本而且重復(fù)的問題，其實并不需要人工客服來解決，通過智能問答系統(tǒng)可以篩選掉大量重復(fù)的問題，使得人工座席能更好地服務(wù)客戶。

文摘生成利用計算機(jī)自動地從原始文獻(xiàn)中摘取文摘，全面準(zhǔn)確地反映某一文獻(xiàn)的中心內(nèi)容。這個技術(shù)可以幫助人們節(jié)省大量的時間成本，而且效率更高。

文本分類是機(jī)器對文本按照一定的分類體系自動標(biāo)注類別的過程。舉一個例子，垃圾郵件是一種令人頭痛的頑癥，困擾著非常多的互聯(lián)網(wǎng)用戶。2002年，Paul Graham提出使用“貝葉斯推斷”來過濾垃圾郵件，1000封垃圾郵件中可以過濾掉995封并且沒有一個是誤判，另外這種過濾器還具有自我學(xué)習(xí)功能，會根據(jù)新收到的郵件，不斷調(diào)整。也就是說收到的垃圾郵件越多，相對應(yīng)的判斷垃圾郵件的準(zhǔn)確率就越高。

輿論分析可以幫助分析哪些話題是目前的熱點，分析傳播路徑以及發(fā)展趨勢，對于不好的輿論導(dǎo)向可以進(jìn)行有效的控制。

知識圖譜（Knowledge Graph/Vault）又稱科學(xué)知識圖譜，在圖書情報界稱為知識域可視化或知識領(lǐng)域映射地圖，是顯示知識發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一系列各種不同的圖形，用可視化技術(shù)描述知識資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識及它們之間的相互聯(lián)系。知識圖譜的一般表現(xiàn)形式如圖所示。

▲知識圖譜圖示

3. NLP相關(guān)知識的構(gòu)成

3.1 基本術(shù)語

為了幫助讀者更好地學(xué)習(xí)NLP，這里會一一介紹NLP領(lǐng)域的一些基礎(chǔ)專業(yè)詞匯。

（1）分詞（segment）

詞是最小的能夠獨(dú)立活動的有意義的語言成分，英文單詞之間是以空格作為自然分界符的，而漢語是以字為基本的書寫單位，詞語之間沒有明顯的區(qū)分標(biāo)記，因此，中文詞語分析是中文分詞的基礎(chǔ)與關(guān)鍵。

中文和英文都存在分詞的需求，不過相較而言，英文單詞本來就有空格進(jìn)行分割，所以處理起來相對方便。但是，由于中文是沒有分隔符的，所以分詞的問題就比較重要。

分詞常用的手段是基于字典的最長串匹配，據(jù)說可以解決85%的問題，但是歧義分詞很難。舉個例子，“美國會通過對臺售武法案”，我們既可以切分為“美國/會/通過對臺售武法案”，又可以切分成“美/國會/通過對臺售武法案”。

（2）詞性標(biāo)注（part-of-speech tagging）

基于機(jī)器學(xué)習(xí)的方法里，往往需要對詞的詞性進(jìn)行標(biāo)注。詞性一般是指動詞、名詞、形容詞等。標(biāo)注的目的是表征詞的一種隱藏狀態(tài)，隱藏狀態(tài)構(gòu)成的轉(zhuǎn)移就構(gòu)成了狀態(tài)轉(zhuǎn)移序列。例如：我/r愛/v北京/ns天安門/ns。其中，ns代表名詞，v代表動詞，ns、v都是標(biāo)注，以此類推。

（3）命名實體識別（NER，Named Entity Recognition）

命名實體是指從文本中識別具有特定類別的實體（通常是名詞），例如人名、地名、機(jī)構(gòu)名、專有名詞等。

（4）句法分析（syntax parsing）

句法分析往往是一種基于規(guī)則的專家系統(tǒng)。當(dāng)然也不是說它不能用統(tǒng)計學(xué)的方法進(jìn)行構(gòu)建，不過最初的時候，還是利用語言學(xué)專家的知識來構(gòu)建的。句法分析的目的是解析句子中各個成分的依賴關(guān)系。

所以，往往最終生成的結(jié)果是一棵句法分析樹。句法分析可以解決傳統(tǒng)詞袋模型不考慮上下文的問題。比如，“小李是小楊的班長”和“小楊是小李的班長”，這兩句話，用詞袋模型是完全相同的，但是句法分析可以分析出其中的主從關(guān)系，真正理清句子的關(guān)系。

（5）指代消解（anaphora resolution）

中文中代詞出現(xiàn)的頻率很高，它的作用的是用來表征前文出現(xiàn)過的人名、地名等。

例如，清華大學(xué)坐落于北京，這家大學(xué)是目前中國最好的大學(xué)之一。在這句話中，其實“清華大學(xué)”這個詞出現(xiàn)了兩次，“這家大學(xué)”指代的就是清華大學(xué)。但是出于中文的習(xí)慣，我們不會把“清華大學(xué)”再重復(fù)一遍。

（6）情感識別（emotion recognition）

所謂情感識別，本質(zhì)上是分類問題，經(jīng)常被應(yīng)用在輿情分析等領(lǐng)域。情感一般可以分為兩類，即正面、負(fù)面，也可以是三類，在前面的基礎(chǔ)上，再加上中性類別。

一般來說，在電商企業(yè)，情感識別可以分析商品評價的好壞，以此作為下一個環(huán)節(jié)的評判依據(jù)。通常可以基于詞袋模型+分類器，或者現(xiàn)在流行的詞向量模型+RNN。經(jīng)過測試發(fā)現(xiàn)，后者比前者準(zhǔn)確率略有提升。

（7）糾錯（correction）

自動糾錯在搜索技術(shù)以及輸入法中利用得很多。由于用戶的輸入出錯的可能性比較大，出錯的場景也比較多。所以，我們需要一個糾錯系統(tǒng)。具體做法有很多，可以基于N-Gram進(jìn)行糾錯，也可以通過字典樹、有限狀態(tài)機(jī)等方法進(jìn)行糾錯。

（8）問答系統(tǒng)（QA system）

這是一種類似機(jī)器人的人工智能系統(tǒng)。比較著名的有：蘋果Siri、IBM Watson、微軟小冰等。問答系統(tǒng)往往需要語音識別、合成，自然語言理解、知識圖譜等多項技術(shù)的配合才會實現(xiàn)得比較好。

3.2 知識結(jié)構(gòu)

作為一門綜合學(xué)科，NLP是研究人與機(jī)器之間用自然語言進(jìn)行有效通信的理論和方法。這需要很多跨學(xué)科的知識，需要語言學(xué)、統(tǒng)計學(xué)、最優(yōu)化理論、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)以及自然語言處理相關(guān)理論模型知識做基礎(chǔ)。

作為一門雜學(xué)，NLP可謂是包羅萬象，體系化與特殊化并存，這里簡單羅列其知識體系，知識結(jié)構(gòu)結(jié)構(gòu)圖如圖所示。

▲知識結(jié)構(gòu)圖示

自然語言的學(xué)習(xí)，需要有以下幾個前置知識體系：

• 目前主流的自然語言處理技術(shù)使用python來編寫。

• 統(tǒng)計學(xué)以及線性代數(shù)入門。

02 中文分詞技術(shù)

1. 中文分詞簡介

“詞”這個概念一直是漢語語言學(xué)界糾纏不清而又繞不開的問題。“詞是什么”（詞的抽象定義）和“什么是詞”（詞的具體界定），這兩個基本問題迄今為止也未能有一個權(quán)威、明確的表述，更無法拿出令大眾認(rèn)同的詞表來。主要難點在于漢語結(jié)構(gòu)與印歐體系語種差異甚大，對詞的構(gòu)成邊界方面很難進(jìn)行界定。

比如，在英語中，單詞本身就是“詞”的表達(dá)，一篇英文文章就是“單詞”加分隔符（空格）來表示的，而在漢語中，詞以字為基本單位的，但是一篇文章的語義表達(dá)卻仍然是以詞來劃分的。

因此，在處理中文文本時，需要進(jìn)行分詞處理，將句子轉(zhuǎn)化為詞的表示。這個切詞處理過程就是中文分詞，它通過計算機(jī)自動識別出句子的詞，在詞間加入邊界標(biāo)記符，分隔出各個詞匯。

整個過程看似簡單，然而實踐起來卻很復(fù)雜，主要的困難在于分詞歧義。以NLP分詞的經(jīng)典語句舉例，“結(jié)婚的和尚未結(jié)婚的”，應(yīng)該分詞為“結(jié)婚/的/和/尚未/結(jié)婚/的”，還是“結(jié)婚/的/和尚/未/結(jié)婚/的”？這個由人來判定都是問題，機(jī)器就更難處理了。

此外，像未登錄詞、分詞粒度粗細(xì)等都是影響分詞效果的重要因素。

自中文自動分詞被提出以來，歷經(jīng)將近30年的探索，提出了很多方法，可主要?dú)w納為“規(guī)則分詞”“統(tǒng)計分詞”和“混合分詞（規(guī)則+統(tǒng)計）”這三個主要流派。

• 規(guī)則分詞是最早興起的方法，主要是通過人工設(shè)立詞庫，按照一定方式進(jìn)行匹配切分，其實現(xiàn)簡單高效，但對新詞很難進(jìn)行處理。

• 隨后統(tǒng)計機(jī)器學(xué)習(xí)技術(shù)的興起，應(yīng)用于分詞任務(wù)上后，就有了統(tǒng)計分詞，能夠較好應(yīng)對新詞發(fā)現(xiàn)等特殊場景。

• 然而實踐中，單純的統(tǒng)計分詞也有缺陷，那就是太過于依賴語料的質(zhì)量，因此實踐中多是采用這兩種方法的結(jié)合，即混合分詞。

下面將詳細(xì)介紹這些方法的代表性算法。

2. 規(guī)則分詞

基于規(guī)則的分詞是一種機(jī)械分詞方法，主要是通過維護(hù)詞典，在切分語句時，將語句的每個字符串與詞表中的詞進(jìn)行逐一匹配，找到則切分，否則不予切分。

按照匹配切分的方式，主要有正向最大匹配法、逆向最大匹配法以及雙向最大匹配法三種方法。

2.1 正向最大匹配法

正向最大匹配（Maximum Match Method，MM法）的基本思想為：假定分詞詞典中的最長詞有i個漢字字符，則用被處理文檔的當(dāng)前字串中的前i個字作為匹配字段，查找字典。若字典中存在這樣的一個i字詞，則匹配成功，匹配字段被作為一個詞切分出來。如果詞典中找不到這樣的一個i字詞，則匹配失敗，將匹配字段中的最后一個字去掉，對剩下的字串重新進(jìn)行匹配處理。

如此進(jìn)行下去，直到匹配成功，即切分出一個詞或剩余字串的長度為零為止。這樣就完成了一輪匹配，然后取下一個i字字串進(jìn)行匹配處理，直到文檔被掃描完為止。

其算法描述如下：

• 從左向右取待切分漢語句的m個字符作為匹配字段，m為機(jī)器詞典中最長詞條的字符數(shù)。

• 查找機(jī)器詞典并進(jìn)行匹配。若匹配成功，則將這個匹配字段作為一個詞切分出來。若匹配不成功，則將這個匹配字段的最后一個字去掉，剩下的字符串作為新的匹配字段，進(jìn)行再次匹配，重復(fù)以上過程，直到切分出所有詞為止。

比如我們現(xiàn)在有個詞典，最長詞的長度為5，詞典中存在“南京市長”和“長江大橋”兩個詞。

現(xiàn)采用正向最大匹配對句子“南京市長江大橋”進(jìn)行分詞，那么首先從句子中取出前五個字“南京市長江”，發(fā)現(xiàn)詞典中沒有該詞，于是縮小長度，取前4個字“南京市長”，詞典中存在該詞，于是該詞被確認(rèn)切分。再將剩下的“江大橋”按照同樣方式切分，得到“江”“大橋”，最終分為“南京市長”“江”“大橋”3個詞。

顯然，這種結(jié)果還不是我們想要的。

2.2 逆向最大匹配法

逆向最大匹配（Reverse Maximum Match Method，RMM法）的基本原理與MM法相同，不同的是分詞切分的方向與MM法相反。逆向最大匹配法從被處理文檔的末端開始匹配掃描，每次取最末端的i個字符（i為詞典中最長詞數(shù)）作為匹配字段，若匹配失敗，則去掉匹配字段最前面的一個字，繼續(xù)匹配。相應(yīng)地，它使用的分詞詞典是逆序詞典，其中的每個詞條都將按逆序方式存放。

在實際處理時，先將文檔進(jìn)行倒排處理，生成逆序文檔。然后，根據(jù)逆序詞典，對逆序文檔用正向最大匹配法處理即可。

由于漢語中偏正結(jié)構(gòu)較多，若從后向前匹配，可以適當(dāng)提高精確度。所以，逆向最大匹配法比正向最大匹配法的誤差要小。統(tǒng)計結(jié)果表明，單純使用正向最大匹配的錯誤率為1/169，單純使用逆向最大匹配的錯誤率為1/245。

比如之前的“南京市長江大橋”，按照逆向最大匹配，最終得到“南京市”“長江大橋”。當(dāng)然，如此切分并不代表完全正確，可能有個叫“江大橋”的“南京市長”也說不定。

2.3 雙向最大匹配法

雙向最大匹配法（Bi-directction Matching method）是將正向最大匹配法得到的分詞結(jié)果和逆向最大匹配法得到的結(jié)果進(jìn)行比較，然后按照最大匹配原則，選取詞數(shù)切分最少的作為結(jié)果。

據(jù)SunM.S.和Benjamin K.T.（1995）的研究表明，中文中90.0%左右的句子，正向最大匹配法和逆向最大匹配法完全重合且正確，只有大概9.0%的句子兩種切分方法得到的結(jié)果不一樣，但其中必有一個是正確的（歧義檢測成功），只有不到1.0%的句子，使用正向最大匹配法和逆向最大匹配法的切分雖重合卻是錯的，或者正向最大匹配法和逆向最大匹配法切分不同但兩個都不對（歧義檢測失敗）。這正是雙向最大匹配法在實用中文信息處理系統(tǒng)中得以廣泛使用的原因。

前面舉例的“南京市長江大橋”，采用該方法，中間產(chǎn)生“南京市/長江/大橋”和“南京市/長江大橋”兩種結(jié)果，最終選取詞數(shù)較少的“南京市/長江大橋”這一結(jié)果。

下面是一段實現(xiàn)逆向最大匹配的代碼。

#逆向最大匹配
class?IMM(object):
????def?__init__(self,?dic_path):
????????self.dictionary?=?set()
????????self.maximum?=?0
????????#讀取詞典
????????with?open(dic_path,?'r',?encoding='utf8')?as?f:
????????????for?line?in?f:
????????????????line?=?line.strip()
????????????????if?not?line:
????????????????????continue
????????????????self.dictionary.add(line)
????????????????self.maximum?=?len(line)
????def?cut(self,?text):
????????result?=?[]
????????index?=?len(text)
????????while?index?>?0:
????????????word?=?None
????????????for?size?in?range(self.maximum,?0,?-1):
????????????????if?index?-?size?<?0:
????????????????????continue
????????????????piece?=?text[(index?-?size):index]
????????????????if?piece?in?self.dictionary:
????????????????????word?=?piece
????????????????????result.append(word)
????????????????????index?-=?size
????????????????????break
????????????if?word?is?None:
????????????????index?-=?1
????????return?result[::-1]

def?main():
????text?=?"南京市長江大橋"

????tokenizer?=?IMM('./data/imm_dic.utf8')
????print(tokenizer.cut(text))

運(yùn)行main函數(shù)，結(jié)果為：

['南京市',?'長江大橋']

基于規(guī)則的分詞，一般都較為簡單高效，但是詞典的維護(hù)是一個很龐大的工程。在網(wǎng)絡(luò)發(fā)達(dá)的今天，網(wǎng)絡(luò)新詞層出不窮，很難通過詞典覆蓋到所有詞。

3. 統(tǒng)計分詞

隨著大規(guī)模語料庫的建立，統(tǒng)計機(jī)器學(xué)習(xí)方法的研究和發(fā)展，基于統(tǒng)計的中文分詞算法漸漸成為主流。

其主要思想是把每個詞看做是由詞的最小單位的各個字組成的，如果相連的字在不同的文本中出現(xiàn)的次數(shù)越多，就證明這相連的字很可能就是一個詞。

因此我們就可以利用字與字相鄰出現(xiàn)的頻率來反應(yīng)成詞的可靠度，統(tǒng)計語料中相鄰共現(xiàn)的各個字的組合的頻度，當(dāng)組合頻度高于某一個臨界值時，我們便可認(rèn)為此字組可能會構(gòu)成一個詞語。

基于統(tǒng)計的分詞，一般要做如下兩步操作：

• 建立統(tǒng)計語言模型。

• 對句子進(jìn)行單詞劃分，然后對劃分結(jié)果進(jìn)行概率計算，獲得概率最大的分詞方式。這里就用到了統(tǒng)計學(xué)習(xí)算法，如隱含馬爾可夫（HMM）、條件隨機(jī)場（CRF）等。

限于篇幅，本文只對統(tǒng)計分詞相關(guān)技術(shù)做簡要介紹。更多詳細(xì)內(nèi)容請參考《Python自然語言處理實戰(zhàn)：核心技術(shù)與算法》一書第3章第3.3節(jié)。

4. 混合分詞

事實上，目前不管是基于規(guī)則的算法、還是基于HMM、CRF或者deep learning等的方法，其分詞效果在具體任務(wù)中，其實差距并沒有那么明顯。在實際工程應(yīng)用中，多是基于一種分詞算法，然后用其他分詞算法加以輔助。

最常用的方式就是先基于詞典的方式進(jìn)行分詞，然后再用統(tǒng)計分詞方法進(jìn)行輔助。如此，能在保證詞典分詞準(zhǔn)確率的基礎(chǔ)上，對未登錄詞和歧義詞有較好的識別。

關(guān)于作者：涂銘，阿里巴巴數(shù)據(jù)架構(gòu)師，對大數(shù)據(jù)、自然語言處理、Python、Java相關(guān)技術(shù)有深入的研究，積累了豐富的實踐經(jīng)驗。

劉祥，百煉智能自然語言處理專家，主要研究知識圖譜、NLG等前沿技術(shù)，參與機(jī)器自動寫作產(chǎn)品的研發(fā)與設(shè)計。

劉樹春，七牛云高級算法專家，七牛AI實驗室NLP&OCR方向負(fù)責(zé)人，主要負(fù)責(zé)七牛NLP以及OCR相關(guān)項目的研究與落地。

本文摘編自《Python自然語言處理實戰(zhàn)：核心技術(shù)與算法》，經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《Python自然語言處理實戰(zhàn)》

點擊上圖了解及購買

轉(zhuǎn)載請聯(lián)系微信：togo-maruko

推薦語：阿里巴巴、前明略數(shù)據(jù)和七牛云的高級專家和科學(xué)家撰寫，零基礎(chǔ)掌握NLP的核心技術(shù)、方法論和經(jīng)典算法。

據(jù)統(tǒng)計，99%的大咖都完成了這個神操作

▼

更多精彩

在公眾號后臺對話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?報告?|?讀書?|?書單

大數(shù)據(jù)?|?揭秘?|?人工智能?|?AI

Python?|?機(jī)器學(xué)習(xí)?|?深度學(xué)習(xí)?|?神經(jīng)網(wǎng)絡(luò)

可視化?|?區(qū)塊鏈?|?干貨?|?數(shù)學(xué)

猜你想看

• 長生不死、名人復(fù)活？瘋狂的AI時代，人類竟要靠IA實現(xiàn)“永生”
  

• 干貨：手把手教你用Python讀寫CSV、JSON、Excel及解析HTML
  

• 干貨請收好：終于有人把用戶畫像的流程、方法講明白了
  

Q:?中文分詞技術(shù)都有哪些挑戰(zhàn)？

歡迎留言與大家分享

覺得不錯，請把這篇文章分享給你的朋友

轉(zhuǎn)載 / 投稿請聯(lián)系：baiyu@hzbook.com

更多精彩，請在后臺點擊“歷史文章”查看

點擊閱讀原文，了解更多

總結(jié)

以上是生活随笔為你收集整理的入门科普：一文看懂NLP和中文分词算法（附代码举例）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。