基于統(tǒng)計(jì)的無(wú)監(jiān)督新詞和組合詞發(fā)現(xiàn)算法研究.pdf

1、當(dāng)前的大多數(shù)中文分詞系統(tǒng)都是基于詞典的,但是其不能正確的切分文本中新詞(字典中不包括)。這些基于詞典的分詞系統(tǒng)在處理包含較多新詞的文本時(shí),效果較差。
　　當(dāng)前新詞識(shí)別算法包括有監(jiān)督和無(wú)監(jiān)督兩種,但是有監(jiān)督需要一個(gè)詳細(xì)標(biāo)注的語(yǔ)料庫(kù),往往獲得這樣的一個(gè)語(yǔ)料庫(kù)是相當(dāng)困難的。不同的是無(wú)監(jiān)督所需要的先驗(yàn)知識(shí)就要少得多,并且能方便的使用相應(yīng)的度量準(zhǔn)則衡量一個(gè)候選詞成為一個(gè)新詞的可能性。然而當(dāng)前無(wú)監(jiān)督算法收詞頻的影響較大,對(duì)稀疏的文本數(shù)據(jù)集來(lái)說(shuō)

2、處理效果是不能令人滿意的。
　　本文主要研究基于統(tǒng)計(jì)的無(wú)監(jiān)督中文新詞發(fā)現(xiàn)算法和組合詞識(shí)別算法。并相應(yīng)的提出了:重疊子字符串新詞度量準(zhǔn)則和改進(jìn)的重疊子字符串組合詞度量準(zhǔn)則。重疊子字符串新詞度量準(zhǔn)則從候選詞的內(nèi)部和候選詞的外部同時(shí)考慮一個(gè)候選詞成為新詞的可能性,并使用相對(duì)詞頻,所以能較好的處理相對(duì)稀疏的文本數(shù)據(jù)。并與另外三個(gè)現(xiàn)存的新詞發(fā)現(xiàn)算法做了實(shí)驗(yàn)對(duì)比,實(shí)驗(yàn)結(jié)果表明我們的新詞發(fā)現(xiàn)算法,比這三個(gè)對(duì)比算法有較大改進(jìn)。改進(jìn)的重疊子字符串組