斯坦福NLP笔记3 —— Word tokenization

判断一句话中有多少个词——types和token两种不同的计数标准

例句1：I do uh main ‐ mainly business data processing

uh和main ‐ mainly我们不好认为他是否是一个词，于是main被称为一个fragment，main被称为一个filled pause

例句2：Seuss’s cat in the hat is different from other cats!

定义一个term叫做lemma，

Lemma: same stem, part of speech, rough word sense

譬如cat和cats就称为same lemma

再定义一个term叫wordform，即一个词的不同形式，显然这里cat和cats是不同的wordform，然后教授说到：

we are going to use different definition depending on our goals

接下来看一个真正的例句：

they lay back on the San Francisco grass and looked at the stars and their

如果按token的方式来计数的话，就是按部就班一个字一个字地数，所以就是15个，但是如果把San Francisco算成一个词，那就是一共14个

如果按type的方式来数的话，they和their就只算一个，两个the也只算一个，San Francisco的情况和前面一样

所以就是一共13（12）个，如下图：

值得注意的是：

这里的type指的是lemma type，而不是wordform type，接着视频中给出了一个练习题便是wordform type了，这也印证了教授前面说过的话：

we are going to use different definition depending on our goals

答案是10types 11tokens，解释是‘I’出现了两次，所以types只有10个。

典型的corpus

我们将N定义为tokens的个数，将V定义为vocabulary的个数或types的个数。

	tokens=N	types=|V|
Switchboard phone conversations	2.4 million	20 thousand
Shakespeare	884000	31 thousand
google N-grams	1 trillion	13 million

这个统计数据其实很有意思，第二行其实就是说，莎士比亚一生写了88万4千字的作品，其中用了3万1千个不同的词。

第一行也就是平时日常对话用到的词汇，只有2万个。

Google的那个之所以上千万，是因为包含了url、email地址这样的词，但是即使除去这些词，英语的总词汇依然上百万。

然后Church and Gale 猜测了这样一个大致的关系：

然后教授用一个标准的 unix 文本处理工具进行了演示，接下来的几分钟都是些各种指令下的基本文本统计分析，譬如用的最多的词的词频，a开头的词等等。

譬如这条命令，tr -sc ’A-Za-z’ ’\n’ < shakes.txt | sort | head，大意就是将除 ’A-Za-z’以外的其他字符都替换成换行符，然后排序，取一个head看看。

最大匹配分词法——更适合中文而不适合英文的分词方法

教授提到中文里字和字之间没有间隔符号，中文分词的一个简单方法就是最大匹配分词法，然后进行了示例。

例子1：thecatinthehat

从第一个字母t开始看起，在字典中寻找能够匹配上的最长的一个词，显然这里会匹配到the，因为没有theca这样的词，于是the就被分出来了，然后以此类推。

例子2：thetabledownthere

这个例子里面问题就出来了，因为theta在英语里也是一个单词，最后分词的结果是theta、bled、own、there

例子3：你妈逼你结婚了吗？

分词的结果很可能是：你妈逼、你、结婚、了、吗、？

显然这样是不合适的

值得注意的是，最大匹配分词法用在中文分词里比用在英文分词里效果好得多，因为中文的词语相对长度恒定。