

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(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、中文分詞是中文信息處理領(lǐng)域內(nèi)的一個重要課題,傳統(tǒng)的分詞方法多基于統(tǒng)計模型,盡管可以取得不錯的效果,但是統(tǒng)計模型依賴大量有標(biāo)注樣本,具有人工標(biāo)注樣本代價高的缺點(diǎn)。主動學(xué)習(xí)方法在解決分詞問題時會根據(jù)處理進(jìn)程,選擇最合適的少量的樣本進(jìn)行人工標(biāo)注,從而達(dá)到通過使用大量無標(biāo)注樣本來提高分詞效果的目的。因此,本文將主要研究基于主動學(xué)習(xí)的中文分詞方法。
本文首先介紹了中文分詞的研究背景、研究意義和常用的分詞方法。接下來介紹了條件隨機(jī)場模型和
2、主動學(xué)習(xí)方法,并對如何把條件隨機(jī)場模型和主動學(xué)習(xí)方法引入到分詞領(lǐng)域中做了闡述。最后重點(diǎn)介紹了本文提出的三種基于主動學(xué)習(xí)的中文分詞方法:
1.提出了基于委員會投票的主動學(xué)習(xí)分詞方法。該方法的核心思想是通過集成學(xué)習(xí)方法來幫助構(gòu)建委員會,選擇委員會投票分歧度最大的樣本作為最有價值的樣本進(jìn)行人工標(biāo)注。
2.提出了一種基于分層選擇策略的主動學(xué)習(xí)分詞方法。該方法的主要特點(diǎn)是在不確定性選擇方法基礎(chǔ)上,把分詞過程中的專有字符與其它漢
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(hù)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
- 基于統(tǒng)計學(xué)習(xí)的中文分詞方法的研究.pdf
- 基于無詞庫的中文分詞方法的研究.pdf
- 基于優(yōu)化最大匹配的中文分詞方法研究.pdf
- 基于深度學(xué)習(xí)的中文分詞模型應(yīng)用研究.pdf
- 基于字位的中文分詞方法研究與實(shí)現(xiàn).pdf
- 基于樹形結(jié)構(gòu)的中文分詞方法的研究及實(shí)現(xiàn).pdf
- 組合型中文分詞方法的研究.pdf
- 基于概念的中文分詞模型研究.pdf
- 基于詞庫與貝葉斯定理的中文單詞分詞方法的研究.pdf
- 基于統(tǒng)計規(guī)則的中文分詞研究.pdf
- 基于規(guī)則的中文地址分詞與匹配方法.pdf
- 基于Active Learning的中文分詞領(lǐng)域自適應(yīng)方法的研究.pdf
- 基于Lucene的中文分詞技術(shù)研究.pdf
- 基于詞典的中文分詞歧義算法研究.pdf
- 基于統(tǒng)計的中文自動分詞.pdf
- 基于統(tǒng)計學(xué)習(xí)的中文分詞改進(jìn)及其在面向應(yīng)用分詞中的應(yīng)用.pdf
- 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CRF的中文分詞研究與實(shí)現(xiàn).pdf
- 基于詞典的中文分詞技術(shù)研究.pdf
- 基于條件隨機(jī)場的中文分詞研究.pdf
評論
0/150
提交評論