加急见刊

基于互信息和邻接熵的新词发现算法

刘伟童; 刘培玉; 刘文锋; 李娜娜 山东师范大学信息科学与工程学院; 济南250358; 山东省分布式计算机软件新技术重点实验室; 济南250358; 菏泽学院计算机学院; 山东菏泽274015

摘要:如何快速高效地识别新词是自然语言处理中一项非常重要的任务。针对当前新词发现存在的问题,提出了一种从左至右逐字在未切词的微博语料中发现新词的算法。通过计算候选词语与其右邻接字的互信息来逐字扩展,得到候选新词;并通过计算邻接熵、删除候选新词的首尾停用词和过滤旧词语等方法来过滤候选新词,最终得到新词集。解决了因切词错误导致部分新词无法识别以及通过n-gram方法导致大量重复词串和垃圾词串识别为新词的问题。最后通过实验验证了该算法的有效性。

注: 保护知识产权,如需阅读全文请联系计算机应用研究杂志社