綜合字典和統(tǒng)計(jì)分析的中文分詞系統(tǒng)的研究與實(shí)現(xiàn).pdf_第1頁(yè)
已閱讀1頁(yè),還剩54頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、中文分詞技術(shù)主要包含以下三個(gè)研究方向:理解分詞,機(jī)械分詞以及統(tǒng)計(jì)分詞?;诶斫獾姆衷~方法研究尚未成熟,所以,絕大部分中文分詞系統(tǒng)是應(yīng)用機(jī)械統(tǒng)計(jì)相結(jié)合的方法。在目前主流的詞典和統(tǒng)計(jì)相結(jié)合的分詞系統(tǒng)中,統(tǒng)計(jì)策略和詞典設(shè)計(jì)的關(guān)系往往是相互獨(dú)立的,詞典主要是作為機(jī)械分詞的標(biāo)準(zhǔn),而基于統(tǒng)計(jì)的方法主要是為了解決歧義問(wèn)題以及未登錄詞的識(shí)別問(wèn)題。
   本文所闡述的中文分詞系統(tǒng),將基于分詞核心詞典的機(jī)械分詞和基于統(tǒng)計(jì)的方法組成了一個(gè)有機(jī)的整體。

2、系統(tǒng)將統(tǒng)計(jì)得出的結(jié)果作為分詞核心詞典的輸入,對(duì)于待切分文本來(lái)說(shuō),對(duì)于未登錄詞和詞典詞條,本文算法的本質(zhì)均是先基于統(tǒng)計(jì)的方法擴(kuò)充核心詞典,然后采用基于字符串匹配的分詞方法切詞。
   總體上講,本系統(tǒng)具有以下三方面的特點(diǎn)。專用性:適合計(jì)算機(jī)學(xué)科專業(yè)領(lǐng)域的分詞,這主要取決于訓(xùn)練文本的選擇;分詞效率高:算法核心是基于字符串匹配的方法:分詞精度較好:利用簡(jiǎn)單統(tǒng)計(jì)量模型與機(jī)械分詞的有機(jī)結(jié)合解決了部分歧義詞和未登錄詞問(wèn)題。
   解

3、決方案中涉及到的關(guān)鍵技術(shù)主要包括以下三個(gè)部分:
   第一、分詞詞典的設(shè)計(jì)。在整體結(jié)構(gòu)上,詞典分成兩級(jí)結(jié)構(gòu),臨時(shí)詞典和核心詞典。臨時(shí)詞典是通過(guò)統(tǒng)計(jì)方法將新詞條向分詞核心詞典中輸送的中間容器。核心詞典是分詞系統(tǒng)中切分的唯一依據(jù),為了提高查詢速度,結(jié)合中文二字詞比例較大的特點(diǎn),核心詞典采用雙層哈希結(jié)構(gòu)。
   第二、統(tǒng)計(jì)策略的制定。歧義詞和新詞的識(shí)別主要依靠基于統(tǒng)計(jì)的方法,本文選擇了基于互信息原理的方法進(jìn)行詞頻統(tǒng)計(jì)。該統(tǒng)計(jì)模

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論