实例介绍
【实例简介】
HMM模型 维特比算法实现分词词性标注
【实例截图】
【核心代码】
def viterbi(init_p, ep, tp, obs_len): max_p=np.zeros([obs_len, 6], dtype=float)#最大概率矩阵,列为分词,行为词性 # path=np.zeros([obs_len, 6], dtype=float)#路径矩阵 for i in range(6): max_p[0][i]=1.0*init_p[i]*ep[0][i]#初始化第一个观测点 for obs_id in range(1, obs_len):#遍历计算 for hidden_id in range(6):#当前节点的词性 max_prob=-1 # pre_state_id=0 for i in range(6):#上一节点的词性 each_p=max_p[obs_id-1][i]*tp[i][hidden_id] if each_p>max_prob: max_prob=each_p#记录当前累积概率最大值 # pre_state_id=i#记录使累积概率最大的上一节点的词性 #记录当前节点的最大累积概率 max_p[obs_id][hidden_id]=max_prob*ep[obs_id][hidden_id] # path[obs_id][hidden_id]=pre_state_id #返回最大概率的路径 output=np.empty([obs_len],dtype=int) for i in range(obs_len): max_prob=-1 last_id=0 for j in range(6): if max_p[i][j]>max_prob: max_prob=max_p[i][j] last_id=j output[i]=last_id return output
好例子网口号:伸出你的我的手 — 分享!
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论