结合中文分词和正则识别语句中的结构化数据或短语

Posted 2021-04-24 Sumslack团队

项目背景

11）兴业一个月4.35 三个月4.35 六个月4.4 九个月4.45 一年4.45
29个月 4.60%

预期分词效果：

能有效识别的结构数据包括期限和价格

设计思路

针对所有的样本数据进行词性标注，交由HanLP学习，也可以采用正则表达式提炼，利用责任链模式进行逐层特定短语的提炼，本文先介绍简单的后者实现方法，步骤如下：

1. 特殊词性定义，如期限，价格，评级等；

2. 编写一个抽象类，用来定义各个短语正则实现类的定义；

3. 责任链实现；

4. 为了查询方便，规整同一类词性到固定格式，如期限，将3个月规整为3M等；

HanLP词性定义代码如下：

定义抽象类：

责任链设计模式：

执行代码：

你可能还对以下文章感兴趣：

3.