〔https://gitee.com/mirrors/python-pinyin#id4〕

〔https://github.com/mozillazg/pypinyin-dict〕

pip install就噌噌地裝上了。

到靈格斯詞典網(wǎng)站下載了成語、文化等詞典，過幾天出個(gè)1～2萬詞的用戶詞典（中華文化小詞典）。

此文閱讀量不少，那我就多寫點(diǎn)吧：

① 傳輸 自傳 傳的拼音被我誤改為只有一個(gè)，已改回，可能還有別的蟑螂。

② 1.6G的語料，unigram cutoff 0, 5500來個(gè)，GB2312 6763個(gè)漢字頗有道理。5500**2≈3000萬。如今網(wǎng)速快電腦配置高，各個(gè)輸入法已經(jīng)開始拼誰的皮膚多了，有的安裝后200多M。我們可以多存些bigram，刪些trigram。如果一個(gè)拼音串的首選用n-gram能算對，詞典里還有必要存它嗎？這個(gè)比較麻煩，又得看sunpinyin的源碼。pypinyyin-dict好象有幾十萬詞的詞典。用二三字詞做詞庫，把別人的詞拿來分詞，比如市場監(jiān)督總局成為市場/監(jiān)督/總局，新疆維吾爾自治區(qū)成為新疆/維吾爾/自治區(qū)/，那就沒必要進(jìn)詞典，銀川市成為銀川/市，指鹿為馬成為指/鹿/為/馬，放進(jìn)詞典。

③ 基于字的模型不如基于詞的一例：這是一個(gè)向量的名字 還是 這是一個(gè)響亮的名字 ？i) 目前起碼兩個(gè)都有；ii) 詞的tri-gram也未必夠用吧？

④ 把pydict_sc.bin和lm_sc.t3g做成sunpinyin-data.deb，避免下載后又覆蓋的浪費(fèi)。先dpkg -i sunpinyin-data.deb，再apt install fcitx-sunpinyin. 但制作deb可能需要簽名、注冊。

⑤ 總之，心情激動(dòng)地驗(yàn)證了想法可行，接下來自己多用，再改改，出個(gè)精細(xì)版。

⑥ 反正都說到心情激動(dòng)了:-)，我的理想是：所有搞NLP的實(shí)驗(yàn)室都有自己的輸入法：i) 讓Linux用戶不缺輸入法用；ii)對那些作輸入法的公司來說是條鯰魚（手機(jī)和Windows下都有開源的輸入法…）。讀懂讀透sunpinyin的源碼是普通高年級本科或低年級研究生力所能及的事。除了用Python extract_features和model.predict外，多點(diǎn)對底層的理解沒壞處。不過我不了解現(xiàn)狀，也許寫論文追熱點(diǎn)已經(jīng)忙不過來了。