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

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