基于半督導(dǎo)機(jī)器學(xué)習(xí)的分詞算法的設(shè)計(jì)與實(shí)現(xiàn).pdf_第1頁(yè)
已閱讀1頁(yè),還剩61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、詞是最小的能獨(dú)立運(yùn)用的語(yǔ)言單位,漢語(yǔ)、日語(yǔ)等東方語(yǔ)言的一個(gè)顯著特點(diǎn)是文本中詞與詞之間沒(méi)有顯式的分隔標(biāo)記。因此,分詞在機(jī)器翻譯、信息檢索、文本分類等中文信息處理的各項(xiàng)任務(wù)中都發(fā)揮著基礎(chǔ)性的重要作用。研究工作具有以下特點(diǎn):首先,以無(wú)督導(dǎo)機(jī)器學(xué)習(xí)方法為基本框架,基于未標(biāo)注語(yǔ)料庫(kù),不使用人工詞典,建立語(yǔ)言模型,使用最大期望(EM)算法迭代地訓(xùn)練模型,優(yōu)化模型參數(shù)。為了進(jìn)一步提高模型性能,防止EM固有的局部最優(yōu)問(wèn)題以及所造成的粗分現(xiàn)象,研究并改

2、進(jìn)了基于互信息的詞典修剪算法。考慮到互信息能更好地反映兩個(gè)字之間的耦合性,對(duì)字符串進(jìn)行劃分時(shí),使用基于字符間互信息的方法代替了最大似然估計(jì)方法,找到詞中字與字之間相關(guān)性最弱的位置,有效提高了修剪正確率。其次,提出了一種具有主動(dòng)學(xué)習(xí)能力的分詞算法,在主要利用大量未標(biāo)注數(shù)據(jù)的同時(shí),能夠主動(dòng)選擇少量最有價(jià)值的數(shù)據(jù)加以人工標(biāo)注,達(dá)到綜合使用未標(biāo)注數(shù)據(jù)和少量標(biāo)注數(shù)據(jù)訓(xùn)練語(yǔ)言模型的目的?;谏鲜龉ぷ?,研究并實(shí)現(xiàn)了基于半督導(dǎo)機(jī)器學(xué)習(xí)的分詞系統(tǒng)。實(shí)驗(yàn)

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