我有一些由另一个系统生成的文本。它将一些单词组合在一起，我认为是某种自动换行副产品。所以像“狗”这样简单的东西被组合成“狗”。
我检查了 ascii 和 unicode 字符串，看那里没有一些看不见的字符，但没有。一个令人困惑的问题是，这是医学文本，并且没有可供检查的语料库。所以，真实的例子是“......排除SARS与肺炎的测试”最终变成了“......与肺炎”。
任何人都有寻找和分离这些的建议？
最佳答案
您可能对此感兴趣 http://www.perlmonks.org/?node_id=336331
您可能可以通过使用两本词典来充分利用文本的医学性质，其中一本仅包含医学术语，另一本包含通用英语。
如果您可以隔离出医学单词，然后将字符串的其余部分与通用词典进行比较，您应该会得到一些不错的结果。
关于regex - 组合词的自然语言处理修复，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/5319358/