借鉴3.3.2 节的实现，尝试自己实现HMM 进行词性标注(语料可选用1998年人民日报饲性标注集 （注意没有语料库//download.csdn.net/download/qq_26954059/12185434 意思一下 其实书中也有资源）
使用两个hmm模型，一个是基于字的hmm分词，c_hmm词性标注，不做解释，自己看代码注释，还有看书，对hmm模型理解，知道前向。后向，维特比，本代码只是单纯走了一遍语料库，并没有多次迭代求收敛，直接上代码
【python自然语言处理（第4章 （自己动手的小例子））】思路：无论分词还是词性标注，都是先找隐藏状态和可观察状态，在分词中每个字的标签为隐藏状态，字为可观察，而在词性标注时每个词语的词性为隐藏，词语为可观察
#-------------------------------------------------------------------------------
# Name:module1
# Purpose:
#
# Author:nkenen
#
# Created:12/03/2020
# Copyright:(c) nkenen 2020
# Licence:
#-------------------------------------------------------------------------------
class HMM(object):
def __init__(self):
import os#用于存取算法中间结果，不同每次都训练
self.model_file = 'data/hmm_model.pkl'
self.model_c_file = 'data/hmm_c_model.pkl'
#隐藏状态值集合
self.state_list = ['B','M','E','S']self.charact_list = ['ag','a','ad','an','b','bg','c',' 推荐阅读
- 人工智能|hugginface-introduction 案例介绍
- 中文分词预处理之N最短路径法小结(转)
- 深度学习|2019年CS224N课程笔记-Lecture 17:Multitask Learning
- 深度学习|2018年度总结和2019年度计划
- BERT微调做中文文本分类
- 【学习笔记】自然语言处理实践（新闻文本分类）- 基于深度学习的文本分类Bert
- 【学习笔记】自然语言处理实践（新闻文本分类）- 基于深度学习的文本分类Word2Vec
- 自然语言处理|答案选择|语义匹配任务目前表现最好的几个模型
- 深度学习|NLP重铸篇之BERT如何微调文本分类
- NLP实践-Task1