1.机器翻译及相关技术
1.1数据预处理
读取数据,处理数据中的编码问题,并将无效的字符串删除
分词,分词的目的就是将字符串转换成单词组成的列表。目前有很多现成的分词工具可以直接使用,也可以直接按照空格进行分词(不推荐,因为分词不是很准确)
建立词典,将单词组成的列表编程单词id组成的列表,这里会得到如下几样东西
(1). 去重后词典,及其中单词对应的索引列表。
注:去重后排序作用:高频词的id在前,这样可以减少查询次数(相对于随机编码),训练word2vec中有个HUffman树,也是这个思想