融合深度學習特征與淺層機器學習特征的中文分詞關鍵技術研究.pdf_第1頁
已閱讀1頁,還剩55頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、近些年來,隨著互聯網時代的到來,我國互聯網技術不斷發(fā)展。在日常生活中,企業(yè)和用戶都希望能夠從計算機數據中獲得快速精確的文本數據。對于很多自然語言處理任務來說,分詞往往是任務實施的第一步,分詞效果的好壞可能會直接影響相關任務的準確性。中文分詞中也存在著一些問題制約著分詞準確率的提升,如未登錄詞和歧義詞的出現。通過研究,學者們提出了一系列試圖解決這些問題的方法,這些方法主要有三種:基于概率統(tǒng)計模型的分詞方法,基于詞典匹配技術的分詞方法和基于

2、字標注的技術的分詞方法。隨著大量機器學習的方法被運用到自然語言處理領域,學者們提出了基于隱馬爾可夫和基于條件隨機場的分詞模型。當標記數據量增大時,基于機器學習的中文分詞方法相對于傳統(tǒng)的方法會有大幅的提升。
  目前深度學習在圖像處理領域被廣泛運用,也取得了可喜的成績,同時在自然語言領域也有不錯的效果。本文將機器學習和深度學習的方法運用到中文分詞領域,對傳統(tǒng)的基于機器學習中文分詞方法進行改進,提升分詞效果。本文將標記語料按字向量化后

3、,注入LSTM將語言中上下文關系添加到向量中,為接下來的條件隨機場分詞提供了充足的上下文信息,從而提升分詞的準確率。LSTM相比于卷積神經網絡優(yōu)點在于能夠保留上下文的依賴信息,相比于普通循環(huán)神經網絡的優(yōu)點在于不易產生梯度彌散和梯度爆炸保留長距離依賴信息,從而更好的支撐分詞效果提升。
  本文在北京語言大學提供的語料庫上對提出的模型進行實驗驗證,并對傳統(tǒng)模型在同一數據集上實驗,對比分詞效果。實驗表明,融合深度學習特征與淺層機器學習特

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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論