精品国产一级在线观看,国产成人综合久久精品亚洲,免费一级欧美大片在线观看

谷歌4億英鎊收購人工智能公司DeepMind，百度目前正推進“百度大腦”項目，騰訊、阿里等各大巨頭布局深度學(xué)習。隨著社會化數(shù)據(jù)大量產(chǎn)生，硬件速度上升、成本降低，大數(shù)據(jù)技術(shù)的落地實現(xiàn)，讓冷冰冰的數(shù)據(jù)具有智慧逐漸成為新的熱點。要從數(shù)據(jù)中發(fā)現(xiàn)有用的信息就要用到數(shù)據(jù)挖掘技術(shù)，不過買來的數(shù)據(jù)挖掘書籍一打開全是大量的數(shù)學(xué)公式，而課本知識早已還給老師了，難以下手、非常頭大！

我們可以跳過數(shù)學(xué)公式，先看看我們了解數(shù)據(jù)挖掘的目的：發(fā)現(xiàn)數(shù)據(jù)中價值。這個才是關(guān)鍵，如何發(fā)現(xiàn)數(shù)據(jù)中的價值。那什么是數(shù)據(jù)呢？比如大家要上網(wǎng)首先需要輸入網(wǎng)址，打開網(wǎng)頁后會自動判斷哪些是圖片、哪些是新聞、哪些是用戶名稱、游戲圖標等。人大腦可以存儲大量的信息，包括文字、聲音、視頻、圖片等，每一個都可以轉(zhuǎn)換數(shù)據(jù)存儲在電腦。人的大腦可以根據(jù)輸入自動進行判斷，電腦可以通過輸入判斷嗎？答案是肯定的! 不過需要我們編寫程序來判斷每一種信息，就拿文字識別來說吧，怎么從一個人在社交網(wǎng)絡(luò)的言論判斷他今天的心情是高興還是憤怒！比如：“你假如上午沒給我吃冰淇淋，我絕對會不happy的。” 信息發(fā)布時間為下午2點。對于我們?nèi)祟愐豢催@個句子就知道他是吃過冰淇淋了，心情肯定不會是憤怒。那計算機怎么知道呢？

這就是今天的主題，要讓計算機理解句子的語義，必須要有個程序，上面的句子和發(fā)布時間是輸入，輸出就是 “高興”。要得到“高興”就要建立 “高興”的規(guī)則，可以建一個感情色彩詞庫，比如 高興（識別詞是高興、happy），憤怒（識別詞是憤怒、生氣）。這里的識別詞就是輸入中出現(xiàn)的詞語，比如上面的句子中的“happy”就識別出了“高興”這個感情色彩詞。但是光識別出“happy”肯定是不行的，前面的“假如。。。沒。。。，我。。。不。。。”等關(guān)鍵詞都需要識別出來，才能完整判斷一個句子的意思。為了達到這個效果，就必須要用分詞技術(shù)了。

我們先人工對上面的句子來進行一下切詞，使用斜線分割：“你/假如/上午/沒/給/我/吃/冰淇淋/，/我/絕對/會/不/happy/的/。/”。但是程序如何做到自動切分？這個其實中國的前輩們已經(jīng)做了很多中文分詞的研究，常見的分詞算法有：

1、基于詞典的分詞，需要先預(yù)設(shè)一個分詞詞典，比如上面句子切分出來的“假如、上午”這些詞先存放在詞典，然后把句子切分成單字組合成詞語去詞典里查找，匹配上了就挑選出來一個詞。沒有匹配上的就切分成單字。

2、基于統(tǒng)計的分詞，需要先獲取大量的文本語料庫（比如新聞、微博等），然后統(tǒng)計文本里相鄰的字同時出現(xiàn)的次數(shù)，次數(shù)越多就越可能構(gòu)成一個詞。當達到一定次數(shù)時就構(gòu)成了一個詞即可形成語料概率庫。再對上面句子進行單字切分，把字與字結(jié)合后在語料概率庫里查找對應(yīng)的概率，如果概率大于一定值就挑選出來形成一個詞。這個是大概描述，實際生產(chǎn)環(huán)境中還需要對句子的上下文進行結(jié)合才能更準確的分詞。

3、基于語義的分詞，簡而言之就是模擬人類對句子的理解來進行分詞。需要先整理出中文語句的句法、語義信息作為知識庫，然后結(jié)合句子的上下文，對句子進行單字切分后組合成詞逐個帶入知識庫進行識別，識別出來就挑選出一個詞。目前還沒有特別成熟的基于語義的分詞系統(tǒng)。

為了讓大家快速的了解分詞技術(shù)，我們采用第一個方式來做測試：基于詞典的分詞，這種方式簡單暴力可以解決百分之七八十的問題?；谠~典的分詞大概分為以下幾種方式：

1、正向最大匹配，沿著我們看到的句子逐字拆分后組合成詞語到詞典里去匹配，直到匹配不到詞語為止。舉個實際的例子：“人民大會堂真雄偉”，我們先拆分為單字“人”去詞典里去查找，發(fā)現(xiàn)有“人”這個詞，繼續(xù)組合句子里的單字組合“人民”去詞典里查找，發(fā)現(xiàn)有“人民”這個詞，以此類推發(fā)現(xiàn)到“人民大會堂”，然后會結(jié)合“人民大會堂真”去詞典里查找沒有找到這個詞，第一個詞“人民大會堂”查找結(jié)束。最終分詞的結(jié)果為：“人民大會堂/真/雄偉”。

2、逆向最大匹配，這個和上面相反，就是倒著推理。比如“沿海南方向”，我們按正向最大匹配來做就會切分成 “沿海/南方/向”，這樣就明顯不對。采用逆向最大匹配法則來解決這個問題，從句子的最后取得“方向”這兩個字查找詞典找到“方向”這個詞。再加上“南方向”組成三字組合查找詞典沒有這個詞，查找結(jié)束，找到“方向”這個詞。以此類推，最終分出“沿/海南/方向”。

3、雙向最大匹配，顧名思義就是結(jié)合正向最大匹配和逆向最大匹配，最終取其中合理的結(jié)果。最早由哈工大王曉龍博士理論化的取最小切分詞數(shù)，比如“我在中華人民共和國家的院子里看書”，正向最大匹配切分出來為“我/在/中華人民共和國/家/的/院子/里/看書”工8個詞語，逆向最大匹配切分出來為“我/在/中華/人民/共/和/國家/的/院子/里/看書”共11個詞語。取正向最大匹配切出來的結(jié)果就是正確的。但是如果把上面那個例子“沿海南方向”雙向切分，都是3個詞語，改如何選擇？看第4個《最佳匹配法則》。

4、最佳匹配法則，先準備一堆文本語料庫、一個詞庫，統(tǒng)計詞庫里的每一個詞在語料庫里出現(xiàn)的次數(shù)記錄下來。最后按照詞頻高的優(yōu)先選出，比如“沿海南方向”，正向切分為：“沿海/南方/向”，逆向切分為：“沿/海南/方向”。其中“海南”的頻度最高，優(yōu)先取出來。剩下“沿”、“方向”也就正常切分了。是不是這就是基于詞典分詞的最佳方案？比如數(shù)學(xué)之美中提到的：“把手抬起來” 和 “這扇門的把手”，可以分為“把”、“手”、“把手”，不管怎么分總有一句話的意思不對。后續(xù)再介紹如何通過統(tǒng)計的分詞處理這些問題。

說了這么多，我們來實戰(zhàn)一下如何基于詞典的分詞：

publicclassTestPositiveMatch {

publicstaticvoidmain(String[]args){

Stringstr =“我愛這個中華人民共和國大家庭”

ListnormalDict =newArrayList()

normalDict.add(“”)

normalDict.add(“愛”)

normalDict.add(“中華”) //測試詞庫里有中華和中華人民共和國，按照最大匹配應(yīng)該匹配出中華人民共和國

normalDict.add(“中華人民共和國”)

intstrLen =str.length() //傳入字符串的長度

intj =0

StringmatchWord =“”//根據(jù)詞庫里識別出來的詞

intmatchPos =0//根據(jù)詞庫里識別出來詞后當前句子中的位置

while(j

intmatchPosTmp =0 //截取字符串的位置

inti =1

while(matchPosTmp

matchPosTmp =i +j

StringkeyTmp =str.substring(j, matchPosTmp)//切出最大字符串

if(normalDict.contains(keyTmp)){//判斷當前字符串是否在詞典中

matchWord =keyTmp //如果在詞典中匹配上了就賦值

matchPos =matchPosTmp//同時保存好匹配位置

}

i++;

}

if(!matchWord.isEmpty()){

//有匹配結(jié)果就輸出最大長度匹配字符串

j =matchPos

//保存位置，下次從當前位置繼續(xù)往后截取

System.out.print(matchWord +”“)

}else{

//從當前詞開始往后都沒有能夠匹配上的詞，則按照單字切分的原則切分

System.out.print(str.substring(j, ++j)+”“)

}

matchWord =“”

}

}

}

輸出結(jié)果為： 我 愛 這 個 中華人民共和國 大 家 庭

按照這樣我們一個基本的分詞程序開發(fā)完成。

對于文章一開始提到的問題還沒解決，如何讓程序識別文本中的感情色彩?，F(xiàn)在我們先要構(gòu)建一個感情色彩詞庫“高興”，修飾詞庫“沒”、”不”。再完善一下我們的程序：

publicclassTestSentimentPositiveMatch {

publicstaticvoidmain(String[]args){

Stringstr =“你假如上午沒給我吃冰淇淋，我絕對會不happy的。”

//語義映射

MapsentimentMap =newHashMap()