从字符串中生成有效单词

由于一些技术问题,所有句子中的空格都被移除(除了句号)。

mystring='thisisonlyatest. andhereisanothersentense'

有没有办法在Python中得到这样的可读输出…

“this is only a test. and here is another sentense.”


回答:

如果你有一份常用有效单词的列表(可以在互联网上找到不同语言的版本),你可以获取所有前缀,检查它们是否为有效单词,并递归地重复处理句子的剩余部分。使用记忆化技术来避免对相同后缀的重复计算。

这里是一个Python的例子。使用lru_cache注解为函数添加了记忆化功能,这样每个后缀的句子只计算一次,与第一部分如何分割无关。请注意,words是一个set,用于O(1)查找。前缀树也非常适合这种情况。

words = {"this", "his", "is", "only", "a", "at", "ate", "test",          "and", "here", "her", "is", "an", "other", "another",         "sent", "sentense", "tense", "and", "thousands", "more"}max_len = max(map(len, words))import functoolsfunctools.lru_cache(None)def find_sentences(text):    if len(text) == 0:        yield []    else:        for i in range(min(max_len, len(text)) + 1):            prefix, suffix = text[:i], text[i:]            if prefix in words:                for rest in find_sentences(suffix):                    yield [prefix] + restmystring = 'thisisonlyatest. andhereisanothersentense'for text in mystring.split(". "):    print(repr(text))    for sentence in find_sentences(text):        print(sentence)

这将为你提供一个有效的(但可能无意义的)分割句子的方法列表。这些方法可能足够少,你可以手动选择正确的那个;否则,你可能需要添加另一个后处理步骤,例如使用合适的NLP框架进行词性分析。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注