

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、中文新詞抽取是中文信息處理的基礎(chǔ)研究,抽取的新詞能直接應(yīng)用到分詞、詞典編纂等領(lǐng)域中。由于新詞散布于海量的信息中,為盡可能多地抽取到新詞,本文研究針對大規(guī)模語料進(jìn)行。
首先在綜合已有定義的基礎(chǔ)上,將新詞界定為不含命名實(shí)體的未登錄詞。本文將整個抽取過程分成候選新詞集合構(gòu)造和新詞檢測兩部分。
在構(gòu)造候選新詞集合時,為處理規(guī)模遠(yuǎn)超出內(nèi)存的語料,設(shè)計了重復(fù)串抽取算法(Repeats Extraction Based S
2、plit,REBS)。先將語料按后綴首字符劃分為多個集合,通過逐條掃描集合數(shù)據(jù),搜索出最大化最長公共前綴區(qū)間(Maximized Longest Common PrefixInterval,MLCPI)來完成抽取,另外在此基礎(chǔ)上實(shí)現(xiàn)重復(fù)串抽取的同時歸并子串。由于進(jìn)行抽取時無需將全部數(shù)據(jù)導(dǎo)入內(nèi)存,所以資源消耗較少;各集合間抽取工作互不干擾,可采用并行處理加快運(yùn)行速度。使用4.61G純文本語料進(jìn)行試驗(yàn),結(jié)果表明內(nèi)存消耗小于30M,抽取速度最
3、快達(dá)每秒1.08M,并能高效地進(jìn)行子串歸并。為提高重復(fù)串抽取速度,本文對字串排序效率進(jìn)行了改進(jìn),設(shè)計了一種線性時間排序算法,通過比較實(shí)驗(yàn)證明了該算法的高效性。
新詞檢測階段,在最大熵模型中,融合多項語言知識特征和統(tǒng)計特征,實(shí)現(xiàn)對非詞垃圾串的過濾,并通過實(shí)驗(yàn)驗(yàn)證了該方法的有效性。為提高大規(guī)模語料下的新詞檢測速度,對左右熵特征的抽取效率進(jìn)行改進(jìn),該改進(jìn)算法充分利用重復(fù)串抽取的中間處理結(jié)果,能高效地對候選新詞進(jìn)行左右熵特征計算。
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
- 基于大規(guī)模語料庫的中文新詞識別.pdf
- 基于大規(guī)模語料的中文新詞識別技術(shù)研究.pdf
- 基于大規(guī)模語料庫的中文同義詞抽取方法研究.pdf
- 基于Mapreduce的大規(guī)模中文短文本聚類算法的設(shè)計與實(shí)現(xiàn).pdf
- 大規(guī)模開放式信息抽取系統(tǒng)的設(shè)計與實(shí)現(xiàn).pdf
- 基于Spark的大規(guī)模社交網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法設(shè)計與實(shí)現(xiàn).pdf
- 基于Hadoop大規(guī)模中文網(wǎng)站聚類的設(shè)計與實(shí)現(xiàn).pdf
- 基于內(nèi)容的大規(guī)模圖像檢索的設(shè)計與實(shí)現(xiàn).pdf
- 從大規(guī)模中文語料中獲取和驗(yàn)證概念的研究.pdf
- 基于譜哈希的大規(guī)模網(wǎng)頁分類算法研究與實(shí)現(xiàn).pdf
- 基于GPU的大規(guī)模體數(shù)據(jù)壓縮算法研究與實(shí)現(xiàn).pdf
- 基于Web的大規(guī)模雙語知識挖掘算法的研究與實(shí)現(xiàn).pdf
- 基于最大熵的中文術(shù)語抽取系統(tǒng)的設(shè)計與實(shí)現(xiàn).pdf
- 基于大規(guī)模問答語料的問題檢索系統(tǒng).pdf
- 面向命名實(shí)體抽取的大規(guī)模中醫(yī)臨床病歷語料庫構(gòu)建方法研究.pdf
- 大規(guī)模廣告投放系統(tǒng)的設(shè)計與實(shí)現(xiàn).pdf
- 基于云計算的大規(guī)模曲面重建系統(tǒng)設(shè)計與實(shí)現(xiàn).pdf
- 基于NoSQL的大規(guī)模Web日志分析系統(tǒng)的設(shè)計與實(shí)現(xiàn).pdf
- 基于Android和REST的大規(guī)模營銷平臺的設(shè)計與實(shí)現(xiàn).pdf
- 基于GPU的大規(guī)模人臉識別系統(tǒng)的設(shè)計與實(shí)現(xiàn).pdf
評論
0/150
提交評論