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！
相关软件
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