版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、中文抽詞是中文信息處理中最基本的任務(wù)之一。目前,傳統(tǒng)的中文抽詞技術(shù)主要采用基于統(tǒng)計的抽詞方法,取得了較好的結(jié)果,但仍有提升的空間?;谶@種現(xiàn)狀,本文提出了一種改進型抽詞模型。
論文首先通過總結(jié)歸納傳統(tǒng)的抽詞算法,設(shè)計了基本抽詞模型,提出了基本抽詞模型中的抽詞特征的挑選策略,構(gòu)詞評價策略,選詞策略,過濾算法等概念的標(biāo)準(zhǔn)流程和模塊功能。并通過對基本抽詞模型的原理上的分析得到了改進基本抽詞模型的幾個關(guān)鍵點。
在基本
2、抽詞模型的基礎(chǔ)上,引入了相應(yīng)的評價標(biāo)準(zhǔn),針對性的設(shè)計了改進型選詞特征的挑選策略,設(shè)計了相應(yīng)的選詞策略以及實現(xiàn)方案,改進后的過濾算法設(shè)計,以及針對不頻繁詞匯的啟發(fā)式算法。本文根據(jù)相關(guān)理論提出了基于通過多步迭代完成抽詞的理念,針對這個理念,設(shè)計了相應(yīng)的基于字邊界抽詞特征的一整套改進型抽詞模型的具體實現(xiàn)。
實驗部分以Bake-off2005提供的訓(xùn)練數(shù)據(jù)為基礎(chǔ),首先分析了采用字邊界特征作為抽詞特征的可行性,接著通過采用合理的選詞
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于原型液壓系統(tǒng)特征的機構(gòu)模型【中文3550字】
- 基于原型液壓系統(tǒng)特征的機構(gòu)模型【中文3550字】
- 基于原型液壓系統(tǒng)特征的機構(gòu)模型【中文3550字】
- 基于圖的邊界模型的加工特征識別技術(shù).pdf
- 邊界特征保持的機械CAD模型簡化研究.pdf
- 基于環(huán)分割的邊界模型設(shè)計特征自動重構(gòu)方法.pdf
- 基于詞項共現(xiàn)關(guān)系圖模型的中文觀點句識別研究.pdf
- 面向STEP實體模型的設(shè)計特征邊界分割方法研究.pdf
- 【087】注射模小型抽芯機構(gòu)的設(shè)計【中文4000字】
- 【087】注射模小型抽芯機構(gòu)的設(shè)計【中文4000字】
- 基于最大熵模型特征選擇算法的中文分詞增量學(xué)習(xí)研究.pdf
- 基于VSM模型和特征選擇算法的中文文本自動分類研究.pdf
- 基于融合特征及邊界特征的圖像分類與檢索.pdf
- 基于句法特征的漢語韻律邊界預(yù)測的研究.pdf
- 基于概念的中文分詞模型研究.pdf
- 基于邊界特征的人臉識別.pdf
- 基于NLP的產(chǎn)品中文評論特征詞識別與語義傾向分析.pdf
- 【087】注射模小型抽芯機構(gòu)的設(shè)計【中文4000字】.doc
- 基于GIA設(shè)定城市增長邊界的模型研究.pdf
- 基于邊界度模型的聚類技術(shù)研究.pdf
評論
0/150
提交評論