地名识别

构建训练集和测试集

import os
def corpus(corpus_path):
    data = open(corpus_path,encoding='utf-8') #人民日报数据 
    train = open("train.data",'w+',encoding='utf-8') #训练集
    test = open("test.data",'w+',encoding='utf-8') #测试集
    #划分训练集与测试集
    pos=0
    while True:
        line = data.readline()
        if line: 
            Test_pos = True if pos % 5 == 0 else False #抽样20%作为测试集使用
            save = test if Test_pos else train #训练集与测试集分别保存
            words = line.split()[1:]
            for word in words:
                if (word.endswith("/ns") == True): #是地名
                    if(len(word)==1): #只有一个字符
                        save.write(word + ' ' + 'S' + ' '+'S'+'\n')
                    else: #两个字符以上的词 ,如:北京市
                        save.write(word[0] + ' '+ 'B'+' '+ 'B' +'\n') #北 B B
                        for j in range(1,len(word)-3-1):
                            save.write(word[j] + ' '+ 'M'+' '+ 'I' +'\n') #京 M I 
                        save.write(word[len(word)-4] + ' '+ 'E'+' '+ 'E' +'\n') #市 E I 	
                else: 
                    if(len(word)==1):
                        save.write(word + ' ' + 'S' + ' '+'O'+'\n')
                    else: 
                        save.write(word[0] + ' '+ 'B'+ ' '+'O' +'\n')
                        for j in range(1,len(word)-1):
                            save.write(word[j] + ' '+ 'M'+' '+ 'O' +'\n')
                        save.write(word[len(word)-1] + ' '+ 'E'+' '+ 'O' +'\n')
            save.write('\n')
            pos+=1
        else:
            break
    data.close()
    train.close()
    test.close()
if __name__ == '__main__':
    os.chdir(r'F:\大三下\自然语言处理\chapter-5\测试2')
    corpus('./people-daily.txt')# 获取语料库

评估

def Verification(result_path):
    test = open(result_path,'r',encoding='utf-8')
    test_name_tag = 0 #测试数据的地名标记数
    predict_name_tag = 0 #预测的地名标记数
    correct_name_tag = 0 #预测正确的地名标记数
    all_tag=0 #全部标记数
    pos = True
    
    for l in test:
        if l=='\n':
            continue
        _, a, g, r = l.strip().split()
        if a in ('B','S'):
            all_tag+=1
        if r != g:
            pos = False
        if r == 'B' or r == 'S':
            predict_name_tag += 1
            if pos:
                correct_name_tag +=1
            pos = True
        if g == 'B' or g == 'S':
            test_name_tag += 1
    #准确率
    P = correct_name_tag/float(predict_name_tag)
    #召回率
    R = correct_name_tag/float(test_name_tag)
    print('全部词数有:' + str(all_tag) + '个')
    print('其中地名词有:' + str(test_name_tag) + '个')
    print('准确率为:{}, 召回率为:{}, F值为:{}'.format(P, R, (2*P*R)/(P+R)))
    test.close()

if __name__ == '__main__':
    Verification(r'F:\大三下\自然语言处理\chapter-5\测试2\result')

实测

import os
import jieba.posseg as psg

os.chdir(r'F:\大三下\自然语言处理\chapter-5\测试2')
#地名识别的内容
sent = "钓鱼岛是中国的"

data = open("data.txt",'w+',encoding='utf-8')
save = open("sentence.data",'w+',encoding='utf-8')
for word,t in psg.cut(sent): #分词
    data.write(word+"/"+t+" ")
data.close()

data2 = open(r'F:\大三下\自然语言处理\chapter-5\测试2\data.txt',encoding='utf-8')
line = data2.readline()
words = line.split()[0:]
for word in words:
    if (word.endswith("/ns") == True): #是地名
        if(len(word)==1): #只有一个字符
            save.write(word + ' ' + 'S' + ' '+'S'+'\n')
        else: #两个字符以上的词 ,如:北京市
            save.write(word[0] + ' '+ 'B'+' '+ 'B' +'\n') #北 B B
            for j in range(1,len(word)-3-1):
                save.write(word[j] + ' '+ 'M'+' '+ 'I' +'\n') #京 M I 
            save.write(word[len(word)-4] + ' '+ 'E'+' '+ 'E' +'\n') #市 E I 	
    else: 
        if(len(word)==1):
            save.write(word + ' ' + 'S' + ' '+'O'+'\n')
        else: 
            save.write(word[0] + ' '+ 'B'+ ' '+'O' +'\n')
            for j in range(1,len(word)-1):
                save.write(word[j] + ' '+ 'M'+' '+ 'O' +'\n')
            save.write(word[len(word)-1] + ' '+ 'E'+' '+ 'O' +'\n')
data.close()
save.close()#写入文件
os.system("crf_test -m model sentence.data > sent_result") #进行地名识别并输出结果到文件中
#查看地名识别的效果
result = open("sent_result",'r+',encoding='utf-8')
result1 = result.readlines()
for i in range(0,len(result1)):
    if len(result1[i])>1:
        if result1[i][4] in 'SBIE':
            print(result1[i][0])
            if result1[i][4] in 'SE':
                print("\n")                     
result.close()
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值