我正在开发一个机器学习项目，我正在构建一个关于中文文本的朴素贝叶斯分类器。我想使用n-gram的汉字作为特征，所以我需要能够将文本分成unigrams（单个字符），bigrams（两个字符的序列），等等。 （我不关心特殊的标记化等等 - 我只想要原始字符作为n-gram。）
如何在Scala中执行此操作？我试过text.sliding(2)来获取bigrams，但这似乎并不合适。 （我猜是因为汉字不是像英文一样的单字节？）
答案 0 :(得分：3)
一般来说，这是一个关于在Java中正确处理Unicode的问题，因此也是Scala的问题。从我粗略浏览互联网看，似乎没有“一种真正的方式”来处理Java中的Unicode。我不是一个NLP人，所以我对你想做什么的理解可能不正确。
val text = "囗土夊米"
val unigrams = text.toCharArray
/* With the constraint unigrams is even, without the toString you get weird coercions */
val bigrams =
for (i <- 0 until unigrams.length if i % 2 == 0) yield unigrams(i).toString + unigrams(i + 1)
这样的东西应该很容易推广到一组n-gram函数，这些函数将提取你需要的东西，当然这些是简单的天真实现。
答案 1 :(得分：0)
试试mecab。我使用mecab为日文和中文创建令牌。一旦安装了mecab ......就是python api。
参见此参考文献。
n-gram name analysis in non-english languages (CJK, etc)
请参阅有关如何安装mecab的信息。