用机器学习怎么识别不可描述的网址

既是不可描述网址能够透过该措施被识别出来,那么推测别的连串的网址应当也能够被辨认。

文本预管理的步子:

1,接纳管理的文书的范围:整个文书档案或内部段落
2,建设构造分类文本语言材质库:
陶冶集语言质感:已经分好类的公文财富。(文件名:train_corpus_small)
测量检验集语言材质:待分类的文本语言材质(本项目标测量检验语言材料随机选自演练语料)(文件名:test_corpus)
3,文本格式调换:统一改造为纯文本格式。(注意难题:乱码)
4,检查测验句子边界:标识句子结束

华语分词的使用

2 什么是自然语言管理?

自然语言管理是计算机科学领域与人工智能领域中的三个器重方向。它切磋人与Computer之间用自然语言实行有效通讯的理论和方法。融语言学、Computer科学、数学等于一体的没错。
自然语言管理原理:格局化描述-数学模型算法化-程序化-实用化
话音的自动合成与识别、机译、自然语言通晓、人机对话、新闻寻找、文本分类、自动文章摘要等。

一,哪些音讯是网址根本的语言材料信息

2.3.1 贝叶斯公式推导

节约财富贝叶Sven本分类的思量:它以为词袋中的两两词之间是相互独立的,即三个对象的特征向量中的每种维度都以相互独立的。
节约贝叶斯分类的定义:
(1),设x={a1,a2,^am}为二个待分类项,而各样a为x的二个表征属性
(2),有档案的次序群集C={y1,y2,……yn}.
(3),计算P(y1|x),P(y2|x),……,P(yn|x)
(4),如果P(yk|x)=max{P1,P2,……,Pn},则x属于yk

— 计算第(3)步的相继条件概率:
(1)找到贰个已知分类的待分类集结,即磨练集
(2)总括得到在每个门类下的次第特征属性的准则可能率测度,即:
P(a1|y1),P(a2|y2),……,P(am|y1)
P(a1|y2),P(a2|y2),……,P(am|y2)
……
(3),假使各个特征属性是法规独立的,根据贝叶斯定理有:
P(yi|x) = P(x|yi)*P(yi)/P(x)
分母对于全部品种为常数,故只需将分子最大化就可以

故,贝叶斯分类的流水生产线为:
第一等第 : 磨练多少变动磨练样本集:TF-IDF
其次等第: 对种种项目总括P(yi)
其三等第:对种种特征属性总结有所划分的规范化可能率
第四等级:对各类种类计算P(x|yi)P(yi)
第五等级:以P(x|yi)P(yi)的最大项作为x的所属类别

这种分词方法是透过让计算机模拟人对句子的知情,到达识别词的机能。其基本思量正是在分词的同不经常间进行句法、语义分析,利用句法音讯和语义务消防队息来拍卖歧义现象。它日常包罗七个部分:分词子系统、句德语义子系统、总控部分。在总控部分的调弄整理下,分词子系统能够获取有关词、句子等的句法和语义音信来对分词歧义进行决断,即它模拟了人对句子的知道进度。这种分词方法要求运用大批量的语言文化和新闻。由于汉语语言文化的不明、复杂性,难以将各类语言新闻集团成机器可直接读取的方式,因而方今依靠精通的分词系统还地处试验阶段。

8 根据文本处理才能的硕士匈牙利(Hungary)语等第考试词汇表创设种类  

姣好对2002–2008年17套GET真题的骨干单词抽出。在那之中囊括数据洗刷,停用词管理,分词,词频计算,排序等常用方法。真题算是结构化数据,有早晚准则,相比便于管理。此进程实际上正是数量清洗进程)最后把具有单词集中汇总,再去除如:a/an/of/on/frist等停用词(中文文本管理也亟需对停用词管理,诸如:的,地,是等)。管理好的单词举办去重和词频总计,最终再利用互联网工具对罗马尼亚语翻译。然后依照词频排序。
   

8.1 Apache Tika?      

Apache
Tika内容抽取工具,其苍劲之处在于能够拍卖各样文件,其余节约您更加的多的光阴用来做要紧的事务。
  

Tika是二个内容深入分析工具,自带周到的parser工具类,能深入分析基本拥有常见格式的文书
  

Tika的职能:•文档类型质量评定   •内容提取  •元数据提取  •语言检查评定

8.2 文本词频总计?词频排序方法?      

算法观念:

1 历年(二〇〇〇—二〇〇六年)GET考试真题,文书档案格式不一。网络搜求                

2
对负有格式不一的文书档案进行总括处理成txt文书档案,格式化(去除汉字/标点/空格等非意国语单词)和去除停用词(去除893个停用词)管理。
               

3
对保洁后的单词进行去重和词频计算,通过Map计算词频,实体存款和储蓄:单词-词频。(数组也足以,只是面前境遇极度大的数量,数组存在越界难题)。排序:依照词频可能字母

4
提取大旨词汇,大于5的和小于20回的数量,能够本人制订阈值。遍历list<实体>列表时候,通过获取实体的词频属性决定选拔词汇表尺寸。
               

5 最后一步,中法语翻译。     

用作语料数据的时候,识别结果最棒,都聚集在 五分四 左右。

2.3.2 朴素贝叶斯算法达成

样例:使用简易的爱尔兰语语料作为数据集,代码见文件

# 编写导入的数据
def loadDataSet():
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him','my'],
                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
                # 使用简单的英语语料作为数据集,有6个文本

    classVec = [0,1,0,1,0,1]     # 文本对应的类别

    return postingList,classVec  # postingList是训练集文本,classVec是每个文本对应的分类

###########################################################################

# 编写贝叶斯算法(sklearn已有贝叶斯算法包,现在是理解贝叶斯算法原理后,自己编写算法代码)


#(1)编写一个贝叶斯算法类,并创建默认的构造方法

class NBayes(object):     # 创建贝叶斯算法类

    def __init__(self):       #初始化类的属性
        self.vocabulary = []  #词典
        self.idf = 0          #词典的IDF权值向量
        self.tf = 0           #训练集的权值矩阵
        self.tdm = 0          #P(x|yi)
        self.Pcates = {}      #P(yi)是一个类别词典P(yi)的值:{类别1:概率,类别2:概率}
        self.labels = []      #对应每个文本的分类,是一个外部导入的列表
        self.doclength = 0    #训练集文本数
        self.vocablen = 0     #词典词长
        self.testset = 0      #测试集 


#(2)导入和训练数据集,生成算法必需的参数和数据结构

def train_set(self,trainset,classVec):  # 传入训练集文本和对应的分类类别

    self.cate_prob(classVec)    # 计算每个分类在数据集中的概率P(yi),cate_prob函数在下面创建
    self.doclength = len(trainset) # 用len函数计算训练集trainset的文本数,赋给类的doclength属性

    tempset = set()  # 使用set(),初始化一个空的集合:是一个无序不重复元素集
    [tempset.add(word) for doc in trainset for word in doc] #生成词典  ,add是往集合添加元素
    # doc遍历trainset,word遍历doc,再将word添加进tempset集合里
    # 训练集文本trainset实际上是一个矩阵,doc遍历取得向量,即单个文本,word遍历取得文本内的词,再添加进集合
    self.vocabulary = list(tempset) # 将tempset转换为列表list,添加进类的vocabulary属性,即词典
    self.vocablen = len(self.vocabulary) #len函数计算词典的长度(这里的词典实际上是一个不重复的词袋空间)

    self.calc_wordfreq(trainset)  # 计算数据集的词频(word frequency):tf和idf ,调用了calc_wordfred函数,传入训练集trainset
    self.build_tdm()  # 按分类累计向量空间的每维值P(x|yi),调用了build_tdm函数


# (3) cate_prob函数:计算数据集中 每个分类的概率P(yi)

def cate_prob(self,classVec):  # 该函数用于计算每个类别在数据集中的概率,被上面的train_set函数调用
    self.labels = classVec     # classVec是导入的训练集文本对应的类别
    labeltemps = set(self.labels)  # 获取全部分类,set()集合:无序不重复元素集,本例就两类:{0,1}
    for labeltemp in labeltemps:    # 遍历所有分类{0,1}
        self.labels.count(labeltemp)  #统计self.labels里类别的个数:类别0的个数和类别1的个数
        self.Pcates[labeltemp] = float(self.labels.count(labeltemp))/float(len(self.labels))
        # 每种类别个数/类别类别总数:6,在Pcates字典里,创建键值对{'0':概率,'1':概率}


# (4) calc_wordfred函数:生成普通的词频向量  TF-IDF

def calc_wordfred(self,trainset):   # 用于计算词袋(词典)内每个词的词频,被上面的train_set函数调用

    self.idf = np.zeros([1,self.vocablen]) # 全0矩阵,矩阵大小:1x词典长度,self.vocablen是上面计算出的词典长度(词袋长)
    self.tf = np.zeros([self.doclength,self.vocablen]) #构造全0矩阵:训练集文件数x词典数,doclength是上面计算出的训练集文本数:6,vocablen是计算出的词典长度 
    #构造训练集的IDF和TF向量模型,IDF是一行,TF是文档数,行,初始化全为0

    for indx in xrange(self.doclength):  # xrange与range用法相同,结果不同,生成的不是列表,而是生成器,适合数字序列较大时,不用一开始就开辟内存空间
    # indx遍历训练集文本数列表,indx取得的是数
        for word in trainset[indx]: #word 遍历trainset中的每一文本的词,##word取得的是词
            self.tf[indx,self.vocabulary.index(word)] +=1    # 权值矩阵的第index行,第k列,加1
            # 词典列表的index方法,返回word的索引位置k
            #  生成了TF词频矩阵

        for signleword in set(trainset[indx]):  # signleword遍历训练集文本里每一文本构成的集合(取得每一文本不重复的词),
            self.idf[0,self.vocabulary.index(signleword)] +=1  # idf权值矩阵的第k个加1
            #index返回每一文本不重复词的索引位置
            #生成IDF矩阵           
## 实际上本函数生成的是训练集的TF矩阵和词袋的IDF矩阵(绝对数形式,非频率)        


# (5) build_tdm函数:按分类累计计算向量空间的每维值P(x|yi),已知类别为yi,求是x的概率

def build_tdm(self):   #计算P(x|yi),被train_set函数调用

    self.tdm = np.zeros([len(self.Pcates),self.vocablen])  #构造全0矩阵,大小:类别词典长度2(在cate_prob函数里)x 词典长度(train_set函数里)
    sumlist = np.zeros([len(self.Pcates),1])  # 构造全0矩阵:大小:类别词典长度x1
    #统计每个分类的总值,sumlist两行一列

    for indx in xrange(self.doclength):    #indx遍历训练集文本数生成的列表[0,1,2,3,4,5],取得的是数字 

        #将同一类别的词向量空间值tf加总
        #即:tf权值矩阵值,六行,分为两类,同类相加,变为两行
        self.tdm[self.labels[indx]] += self.tf[indx]   # labels[indx]是训练集文本对应类别里的第indx个(在cate_prob函数里)即[0,1,0,1,0,1]里的第indx个,对应tdm的第某行
        # tf[indx]是tf权值矩阵的第indx行(在calc_wordfred函数里)

        #统计每个分类的总值--是一个标量
        sumlist[self.labels[indx]] = np.sum(self.tdm[self.labels[indx]]) 
        #利用np.sum计算tdm矩阵的和,赋值给sumlist矩阵的?
        # sumlist得到的结果:0:总值
                            #1:总值

    self.tdm = self.tdm/sumlist   # tdm即:P(x|yi)=P(xyi)/P(yi)
    #得到的结果tdm是一个两行,词典长列的矩阵,表示着P(a1|yi),P(a2|yi)……
  #tdm是一个向量,sumlist是一个值


(3)-(5)函数都被train_set函数调用  
#####################################################################################



# (6) map2vocab函数:将测试集映射到当前字典

def map2vocab(self,testdata):  # 传入测试集数据 testdata
    self.testset = np.zeros([1,self.vocablen])  #构造全0矩阵,大小:1*词典长度
    for word in testdata:    # word遍历测试集(某个文本)
        self.testset[0,self.vocabulary.index(word)] +=1 # testset矩阵的第k个加1
        # vocabulary.index(word)返回字典的与word匹配的词的索引位置
# 本函数是将测试集文档转换为以频数表示的[   ]矩阵   


# (7) predict函数:预测分类结果,输出预测的分类类别

def predict(self,testset):    #传入测试集数据

    if np.shape(testset)[1] != self.vocablen: #如果测试集长度与词典长度不相等,则退出程序
        print "输出错误"
        exit(0)

    predvalue = 0  #初始化类别概率
    predclass = ""  # 初始化类别名称

    for tdm_vect,keyclass in zip(self.tdm,self.Pcates): 
       #P(x|yi) P(yi)    #      变量tdm,计算最大分类值
    #zip函数将tdm和Pcates打包成元组,并返回元组组成的列表。
    #tdm是P(x|yi),Pacates是类别词典P(yi)

        temp = np.sum(testset*tdm_vect*self.Pacate[keyclass])  #测试集testset乘tdm_vect乘Pcates[keyclass]  ,并求和
        #测试集向量*P
        if temp > predvalue:  
            predvalue = temp
            predclass = keyclass
    return predclass   # 输出预测的类别(概率最大的类别)

#########################################################################

#算法的改进:为普通的词频向量使用TF-IDF策略

#calc_tfidf函数:以TF-IDF方式生成向量空间

def calc_tfidf(self,trainset):        # 传入训练集数据
    self.idf = np.zeros([1,self.vocablen])   #构造全0矩阵,大小:1*词典长度
    self.tf = np.zeros([self.doclength,self.vocablen])  #构造全0矩阵,大小:文本数*词典长度

    for indx in xrange(self.doclength):   #indx遍历文本数生成的列表,取得的是数字      
        for word in trainset[indx]:        #word遍历训练集的第indx个文本里的词
            self.tf[indx,self.vocabulary.index(word)]+=1  #tf矩阵的某个值加1
            #消除不同句长导致的偏差
        self.tf[indx] = self.tf[indx]/float(len(trainset[indx]))  #计算的是频率而不是频数

        for signleword in set(trainset[indx]):
            self.idf[0,self.vocabulary.index(signleword)] +=1
    self.idf = np.log(float(self.doclength)/self.idf)

    self.tf = np.multiply(self.tf,self.idf) # 矩阵与向量的点乘TFxIDF

######################################################################

#执行创建的朴素贝叶斯类,获取执行结果

#coding=utf-8

import sys
import os
from numpy import *
import numpy as np
from NBayes_lib import *

dataSet,listClasses = loadDataSet() 

 # 导入外部数据集,loadDataSet是自己创建的函数,返回值为两个,postingList是训练集文本,classVec是每个文本对应的分类
# dataset为句子的词向量
# listclass为句子所属类别 [0,1,0,1,0,1]

nb = NBayes()  #实例化 NBayes是我们创建的贝叶斯算法类
nb.train_set(dataSet,listClasses) # 训练数据集。train_set是创建的类的函数,用于训练
nb.map2vocab(dataSet[0])   # 随机选择一个测试句 #map2vocab函数将测试集映射到当前词典
print nb.predict(nb.testset)  # 输出分类结果,predict函数用于预测分类结果,输出预测的分类类别

# 最后运行程序,看似没有数据间传递,实则是在类属性中已定义好并赋值给属性

还是能够将上述各个方法互相结合,举例,能够将正向最大相配方法和逆向最大相称方法结合起来构成双向相配法。由于普通话单字成词的表征,正向最小相配和逆向最小相配日常少之又少使用。日常说来,逆向相配的切分精度略高高尚向匹配,际遇的歧义现象也少之又少。总计结果注脚,单盈利用正向最大相配的错误率为1/169,单纯施用逆向最大相配的错误率为三分之一45。但这种精度还远远无法满足实际的须求。实际采纳的分词系统,都以把机械分词作者为一种初分手腕,还需经过行使各个别的的语言音讯来进一步提升切分的正确率。

10 总计学知识

音信图形化(饼图,线形图等)

汇集方向衡量(平均值 中位数 众数 方差等)

概率

排列组合

布满(几何二项泊松正态卡方)

总结抽样

样本估摸

假如查验

回归

有了三个个单词之后,要求将那些单词转化为部分模型基本上能用的输入情势,也正是词向量。一种常见的诀窍正是营造多少个N * M 的矩阵,M 大小是富有文件中词的个数;N
的大小是负有文件个数,在本文的意况中正是 title,deion 大概 keywords
的(即网址的)个数。

2.2.1 文本预管理:

文本管理的中央职务:将非结构化的文本调换为结构化的款式,即向量空间模型

文本管理在此之前必要对两样类其他文本实行预管理

 转自:

16 领域本体创设立模型式   

1 显著领域本体的科班领域和层面

2 思量复用现成的本体

3 列出本体涉及领域中的重要术语

4 定义分类概念和概念分类档次

5 定义概念之间的关联

前边所商量的是一个二分类的主题材料,总体来看使用文本分类中的一些宽广的方法得到了不错的功力。

2.1 文本发现和文件分类的定义

1,文本发现:指从大批量的文本数据中抽出事先未知的,可领会的,最后可利用的知识的经过,同一时候使用这几个文化更加好的公司消息以便以往参见。
简单易行,正是从非结构化的文书中查找知识的历程
2,文本发掘的分开领域:寻觅和音讯寻觅(I陆风X8),文本聚类,文本分类,Web发现,音讯抽出(IE),自然语言管理(NLP),概念提取。
3,文本分类:为客商给出的各种文档找到所属的正确种类
4,文本分类的施用:文本检索,垃圾邮件过滤,网页分层目录自动生成元数据,主题素材检查实验
5,文本分类的法子:一是依照格局系统,二是分类模型


当前在自然语言管理技艺中,汉语管理手艺比西方文字管理技艺要滞后极大学一年级段距离,大多西文的拍卖方法中文不能够一向动用,正是因为普通话必得有分词那道工序。中文分词是其余汉语音信管理的功底,寻找引擎只是华语分词的四个选取。其余的比方说机械翻译(MT)、语音合成、自动分拣、自动摘要、自动查对等等,都急需用到分词。因为粤语要求分词,恐怕会潜濡默化局地探讨,但与此同一时间也为一些铺面拉动时机,因为海外的计算机管理技巧要想进去中华市道,首先也是要消除汉语分词难点。在中文探讨方面,比较法国人以来,中华夏族民共和国人有十鲜明明的优势。

3 常用汉语分词?

中文文本词与词之间未有像日文那样有空格分隔,由此不菲时候中文文本操作都涉嫌切词,这里整理了部分普通话分词工具。
Stanford(直接运用CEvoqueF 的方法,特征窗口为5。) 

汉语分词工具(个人推举)

浙大语言云

如臂使指分词

天公分词  ICTCLAS(中国科高校)普通话词法剖析体系 

IKAnalyzer(Luence项目下,基于java的) 

FudanNLP(清华高校)

👆图2

2.4.2 kNN算法的python实现
#coding=utf-8

#第一阶段,导入所需要的库,进行数据的初始化

import sys
import os
from numpy import *
import numpy as *
import operator
from Nbayes_lib import *

# 配置utf-8输出环境

reload(sys)
sys.setdefaultencoding('utf-8')

k=3

#第二阶段:实现夹角余弦的距离公式

def cosdist(vector1,vector2):
    return dot(vector1,vector2)/(linalg.norm(vector1)*linalg.norm(vector2)) # 夹角余弦公式;AB/|A||B|   

#第三阶段:KNN实现分类器

#KNN分类器

#测试集:testdata;训练集:trainSet;类别标签;listClasses; k:k个邻居数

def classify(testdata,trainSet,listClasses,k):
    dataSetSize=trainSet.shape[0]     #返回样本的行数,(shape返回行数和列数)
    distances=array(zeros(dataSetSize))  #构造一个全0数组,大小为;

    for indx in xrange(dataSetSize):   #计算测试集与训练集之间的距离:夹角余弦
        distances[indx]=cosdist(testdata,trainSet[indx])
        sortedDisIndicies=argsort(-distances)
        classCount={}
        for i in range(k):#获取角度最小的前k项作为参考项
            #按排序顺序返回样本集对应的类别标签
            voteIlabel=listClasses[sortedDistIndices[i]]
            #为字典classCount赋值,相同key,其value加1
            classCount[voteIlabel]=classCount.get(voteIlabel,0) +1

        #对分类字典classCount按value重新排序
        #sorted(data.iteritems(),key=operator.itemgetter[1],reverse=True)
        #classCount.iteritems();字典迭代器函数
        #key ;排序参数;operator.itemgetter(1):多级排序
        sortedClassCount=sorted(classCount.iteritem(),key=operator.itemgetter(1),reverse=True)
        return sortedClassCount[0][0]   #返回排序最高的一项

# 最后使用KNN算法实现文本分类

dataSet,listClasses=loadDataSet()
nb.NBayes()
nb.train_set(dataSet,listClasses)  #使用之前贝叶斯分类阶段的数据集及生成的TF向量进行分类

print classify(nb.tf[3],nb.tf,listClasses,k)

对此机械分词方法,能够创立多个貌似的模子,在这里地点有标准的学术论文,这里不做详细演讲。

9 留意贝叶斯模型的公文分类器的安顿与落到实处  

9.1 朴素贝叶斯公式  

0:喜悦  1:愤怒 2:厌恶 3:低落  

9.2 朴素贝叶斯原理  

–>练习文本预管理,构造分类器。(即对贝叶斯公式完结公文分类参数值的求解,暂且不知道不妨,下文详解)
 

–>构造预测分类函数  

–>对测量试验数据预处理  

–>使用分类器分类    

对此三个新的教练文书档案d,究竟属于如上三个门类的哪些项目?大家能够依照贝叶斯公式,只是此刻转变成现实的指标。
   

> P( Category | Document):测量试验文书档案属于某类的概率    

> P(
Category)):从文书档案空间中随便抽出贰个文书档案d,它属于体系c的可能率。(某类文书档案数目/总文书档案数目)
   

> (P ( Document | Category
):文书档案d对于给定类c的票房价值(某类下文书档案中单词数/某类中总的单词数)    

>
P(Document):从文书档案空间中随机收取三个文档d的可能率(对于每一个门类都一样,能够忽视不总括。此时为求最大似然可能率)
   

>  C(d)=argmax
{P(C_i)*P(d|c_i)}:求出近似的贝叶斯各种品种的票房价值,相比较获取最大的可能率,此时文书档案归为最大约率的一类,分类成功。
 

综述

1.  先行收罗管理数据集(涉及互联网爬虫和中文切词,特征选用)      

2.  预管理:(去掉停用词,移除频数过小的词汇【依据具体情形】)      

3.  试验进程:

多少集分两局地(3:7):肆分一看成测量检验集,百分之七十看成磨练集         

增添置信度:10-折交叉验证(整个数据集分为10等份,9份联合为磨练集,余下1份作为测量试验集。一共运转十二回,取平均值作为分类结果)优劣势相比剖析     

  1. 评价标准:          

宏评价&微评价          

平整因子

9.3 生产模型与识别模型差别       

1)生产式模型:直接对伙同分布实行建立模型,如:隐马尔科夫模型、马尔科夫随飞机场等
      

2)判定式模型:对规格布满举办建立模型,如:条件随飞机场、帮衬向量机、逻辑回归等。
         

变迁模型优点:1)由联合遍及2)收敛速度十分的快。3)能够应付隐变量。
缺点:为了估量精确,样本量和计算量大,样本数量相当多时候不提出使用。
         

分辨模型优点:1)计算和范本数量少。2)正确率高。劣点:收敛慢,不能针对隐变量。
 

9.4 ROC曲线      

ROC曲线又叫接受者操作特征曲线,相比较学习器模型好坏可视化学工业具,横坐标参数假正例率,纵坐标参数是确实例率。曲线越临近对角线(随机估量线)模型越不佳。
     

好的模型,真正比例很多,曲线应是陡峭的从0初步上涨,后来碰到真正比例越来越少,假正比例元组越多,曲线平缓变的尤为水平。完全准确的模型面积为1

三,分词,去停用词产生词向量特征

2.3 分类算法:朴素贝叶斯

本节第一斟酌朴素贝叶斯算法的基本原理和python完结

若果交叉歧义和组成歧义Computer都能消除的话,在歧义中还也有三个难点,是真歧义。真歧义意思是交给一句话,由人去判定也不领悟哪些应该是词,哪个应该不是词。比方:“乒球拍卖完了”,可以切分成“乒球拍 卖 完 了”、也可切分成“乒球 拍卖 完
了”,若无上下文其余的句子,大概什么人也不清楚“拍卖”在这里边算不算一个词。

15 机器学习降维

首要特点采用、随机森林、主成分深入分析、线性降维

并且相关的检察也发觉不足描述网站的顾客滞留时间要高于常常的网址,同有时间不可描述网址以录像为主,因此其流量十分的大,排行靠前的居多。

2.5 结语

本章疏解了机器学习的八个算法:朴素贝叶斯算法和K近年来邻算法

介绍了文件分类的6个重视步骤:
1)文本预管理
2)中文分词
3)塑造词向量空间
4)权重计谋—-TF-IDF方法
5)朴素贝叶斯算法器
6)评价分类结果

新词中除了人名以外,还会有单位名、地名、产品名、商标名、简称、省略语等都以很难管理的难点,何况这个又刚好是公众日常接纳的词,由此对于寻觅引擎来说,分词系统中的新词识别十二分最首要。近些日子新词识别正确率已经成为评价贰个分词系统上下的要紧标识之一。

11 stanfordNLP

句子掌握、自动问答系统、机译、句法深入分析、标记、心绪深入分析、文本和视觉场景和模型,
乃至自然语言管理数字人文社科中的应用和计量。

代表的是 A 在 B 条件下的概率等于 B 在 A 条件下的可能率乘以A出现概率除以 B
出现可能率。对应到大家以此情景正是 B 是种种 title 的性状,设
B=F1F2…Fn,即上述产生的疏散矩阵的每一行,表示的是在该 title
中,词库中有着词在对应地点上冒出的频率。

TF-IDF权重攻略:总计文本的权重向量

1,TF-IDF的含义:词频逆文书档案频率。假设有些词在一篇小说中出现的频率高(词频高),并且在别的小说中相当少现身(文书档案频率低),则以为该词具备很好的项目区分技巧,切合用来分类。IDF其实是对TF起抵消成效。
2,词频TF的定义:某多个加以的词语在该公文中冒出的成效(对词数的归一化)
3,逆文件频率IDF:某一特定词语的IDF,由总文件数除以含有该词语的文书的数量,再将商取对数
4,TF-IDF的计算:TF与IDF的乘积
5,将分词后的持久化语言质感库文件dat利用TF-IDF计策转向,并漫长化的代码见文件

#coding=utf-8

import sys
import os 
from sklearn.datasets.base import Bunch  # 导入Bunch类
import cPickle as pickle  #导入持久化类

from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer   # TF-IDF向量转换类
from sklearn.feature_extraction.text import TfidfVectorizer   # TF-IDF向量生成类


reload(sys)
sys.setdefaultencoding('utf-8')  #UTF-8输出环境

# 读取和写入Bunch对象的函数

def readbunchobj(path):   # 读取bunch对象函数
    file_obj = open(path,"rb")
    bunch = pickle.load(file_obj)  # 使用pickle.load反序列化对象
    file_obj.cloase()
    return bunch

def writebunchobj(path,bunchobj):   # 写入bunch对象函数
    file_obj = open(path,"wb")
    pickle.dump(bunchobj,file_obj)   # 持久化对象
    file_obj.close()

###################################从训练集生成TF-IDF向量词袋

# 1,导入分词后的词向量Bunch对象
path = "train_word_bag/train_set.dat"  # 词向量空间保存路径(就是分词后持久化的文件路径)
bunch = readbunchobj(path)   # 调用函数读取bunch对象,赋值给bunch

# 2,构想TF-IDF词向量空间对象,也是一个Bunch对象
tfidfspace = Bunch(target_name=bunch.target_name,label=bunch.label,filenames=bunch.filenames,tdm=[],vocabulary=[])     # 构建Bunch对象,将bunch的部分值赋给他

# 3,使用TfidfVectorizer初始化向量空间模型
vectorizer = TfidfVectorizer(stop_words=stpwrdlist,sublinear_tf=True,max_df=0.5)
transformer=TfidfTransformer()   # 创建一个该类的实例,该类会统计每个词语的TF-IDF权值
# 文本转化为词频矩阵,单独保存字典文件
tfidfspace.tdm = vectorilzer.fit_transform(bunch.contents)  # 将bunch.content的内容……赋给模型的tdm值
tfidfspace.vocabulary = vectorizer.vocabulary   # ????????????????

# 4,持久化TF-IDF向量词袋
space_path = "train_word_bag/tfidfspace.dat"   # 词向量词袋保存路径
writebunchobj(space_path,tfidfspace)  # 调用写入函数,持久化对象

其次汉语分词和查找引擎论及与影响!

1 什么是文本发现?

文件开掘是讯息开掘的一个钻探分支,用于基于文本音信的文化开掘。文本发现的预备工作由文本收罗、文本深入分析和特点修剪多少个步骤组成。近来钻探和利用最多的两种文本发掘手艺有:文书档案聚类、文书档案分类和摘要抽出。

能够见见通将 四千+ 网址个作为教练的输入,以至 1700+
网址作为测量检验。识别正确率稳固在 百分之八十左右,注解表达该格局是卓有成效的,具备一定的施用价值。


先是什么是华语分词stop word?

4 词性评释方式?句法解析方法?

规律描述:注明一篇作品中的句子,即语句标记,使用表明方法BIO标记。则观看种类X正是一个语言材质库(此处假若一篇文章,x代表小说中的每一句,X是x的会集),标记类别Y是BIO,即对应X体系的甄别,从而得以依据准则可能率P(标记|句子),猜想出科学的句子标记。  

颇负盛名,这里针对的是种类状态,即C凯雷德F是用来标明或瓜分种类结构数据的可能率化结构模型,CPAJEROF能够用作无向图模型可能马尔科夫随飞机场。
 
用过C揽胜F的都通晓,CENVISIONF是三个系列标记模型,指的是把三个词种类的各样词打上三个符号。平常通过,在词的左右开叁个小窗口,依照窗口里面包车型客车词,和待标明词语来促成特征模板的领取。最终通过特征的组合决定必要打客车tag是怎么。

民用以为本文的施用场景和贝叶斯的的思考是如出一辙的,通过判别该语句属于某一类别的可能率来决定其归属,具体经过句子中单词的票房价值实行计算机才能研究所的。当然实际生育进度中模型的抉择还是借助于现实的应用场景和机能。

2.2 文本分类项目

 

5 命名实体识别?两种主流算法,CRF,字典法和交集方法  

1 C陆风X8F:在CTiguanF for Chinese
NE揽胜这几个职务中,提取的表征好多是该词是或不是为神州人名姓氏用字,该词是还是不是为中华夏族民共和国人名名字用字之类的,True
or
false的特征。所以二个保证的百家姓的表就可怜主要呀~在本国学者做的大队人马尝试中,效果最棒的人名能够F1估算到达九成,最差的机关名到达85%。
 

2
字典法:在NE宝马7系中正是把各种字都当开端的字放到trie-tree中查二次,查到了就算NE。汉语的trie-tree须求开展哈希,因为粤语字符太多了,不像克罗地亚共和国(Republic of Croatia)语就贰19个。
 

3
对六类差别的命名实体接纳分化等的手法举行拍卖,例如对于人名,进行字等第的尺码可能率总括。
  中文:南开(语言云)上海武大    马耳他语:stanfordNERubicon等

图片 1

2.2.2 中文分词介绍

1,粤语分词:将三个汉字体系(句子)切分成一个独门的词(汉语自然语言管理的骨干难题)
2,粤语分词的算法:基于概率图模型的尺度随飞机场(CSportageF)
3,分词后文本的结构化表示:词向量空间模型,主题模型,依存句法的树表示,途睿欧DF的图表示
4,本项指标分词系统:选择jieba分词
5, jieba分词帮助的分词方式:暗中同意切分,全切分,搜索引擎切分
6,jieba分词的代码见文件:对未分词语言质感库进行分词并长久化对象到三个dat文件(成立分词后的语言材质文件:train_corpus_seg)

#coding=utf-8

import sys
import os
import jieba

reload(sys)
sys.setdefaultencoding('utf-8')    # 配置UTF-8输出环境

#定义两个函数,用于读取和保存文件

def savefile(savpath,content):   # 定义一个用于保存文件的函数
    fp = open(savepath,"wb")
    fp.write(content)
    fp.close()

def readfile(path):    # 定义一个用于读取文件的函数
    fp = open(path,"rb")
    content = fp.read()
    fp.close()
    return content    #函数返回读取的内容


# 以下是整个语料库的分词主程序

corpus_path = "train_corpus_small/"   # 未分词分类语料库路径
seg_path = "train_corpus_seg/"  # 分词后分类语料库路径

catelist = os.listdir(corpus_path) #os.listdir获取cor_path下的所有子目录

for mydir in catelist:       # 遍历所有子目录
    class_path = corpus_path+mydir+"/"  #构造分类子目录的路径
    seg_dir = seg_path+mydir+"/"  #构造分词后的语料分类目录

    if not os.path.exists(seg_dir):  # 是否存在目录,如果没有则创建
        os.makedirs(seg_dir)

    file_list = os.listdir(class_path)  # 获取目录下的所有文件

    for file_path in file_list:      # 遍历目录下的所有文件
        fullname = class_path+file_path    #文件路径
        content = readfile(full.name).strip()   # 读取文件,strip()用于移除字符串头尾指定的字符,即移除头尾的空格
        content = content.replace("\r\n","").strip()  # 将空格和换行替代为无
        content_seg = jieba.cut(content)    # 利用jieba分词

        savefile(seg_dir+file_path," ".join(content_seg))   # 调用函数保存文件,保存路径为:seg_dir+file_path,用空格将分词后的词连接起来

print "中文语料分词结束"


#############################################################################

# 为了便于后续的向量空间模型的生成,分词后的文本还要转换为文本向量信息并对象化
# 引入Scikit-Learn的Bunch类

from sklearn.datasets.base import Bunch
bunch = Bunch{target_name=[],label=[],filename=[],contents=[]}

# Bunch类提供键值对的对象形式
#target_name:所有分类集名称列表
#label:每个文件的分类标签列表
#filename:文件路径
#contents:分词后的文件词向量形式

wordbag_path = "train_word_bad/train_set.dat"  #分词语料Bunch对象持久化文件路径
seg_path = "train_corpus_seg/"   #分词后分类语料库路径(同上)

catelist = os.listdir(seg_path)  # 获取分词后语料库的所有子目录(子目录名是类别名)
bunch.target_name.extend(catelist)   # 将所有类别信息保存到Bunch对象

for mydir in catelist:     # 遍历所有子目录
    class_path = seg_path+mydir+"/" # 构造子目录路径
    file_list = os.listdir(class_path)    # 获取子目录内的所有文件
    for file_path in file_list:     # 遍历目录内所有文件
        fullname = class_path+file_path    # 构造文件路径
        bunch.label.append(mydir)      # 保存当前文件的分类标签(mydir为子目录即类别名)
        bunch.filenames.append(fullname)  # 保存当前文件的文件路径(full_name为文件路径)
        bunch.contents.append(readfile(fullname).strip())  # 保存文件词向量(调用readfile函数读取文件内容)

file_obj = open(wordbad_path,"wb")  # 打开前面构造的持久化文件的路径,准备写入
pickle.dump(bunch,file_obj)   # pickle模块持久化信息,bunch是要持久化的文件,已添加了信息。file_obj是路径
file_obj.close()
# 之所以要持久化,类似游戏中途存档,分词后,划分一个阶段,将分词好的文件存档,后面再运行就不用重复分词了

print "构建文本对象结束!!"      

# 持久化后生成一个train_set.dat文件,保存着所有训练集文件的所有分类信息
# 保存着每个文件的文件名,文件所属分类和词向量

一种艺术是改正扫描情势,称为特征扫描或标记切分,优先在待深入分析字符串中分辨和切分出有些蕴涵刚烈特点的词,以这么些词作者为断点,可将原字符串分为非常的小的串再来进机械分词,从而减少相称的错误率。另一种方法是将分词和词类注解结合起来,利用丰硕的词类新闻对分词决策提供救助,并且在标明进度中又反过来对分词结果开展查看、调节,进而非常大地提高切分的正确率。

12 APache OpenNLP

Apache的OpenNLP库是自然语言文本的管理依附机器学习的工具包。它帮衬最遍布的NLP任务,如断词,句子切分,部分词性标明,命名实体提取,分块,深入分析和替代消解。

句子探测器:句子检测器是用以检查评定句子边界

标识生成器:该OpenNLP断词段输入字符体系为标识。常是那是由空格分隔的单词,但也可以有两样。

名称搜索:名称查找器可检查实验文本命名实体和数字。

POS标明器:该OpenNLP
POS标记器使用的可能率模型来预测精确的POS标识出了标签组。

细节化:文本分块由除以单词句法相关部分,如名词基,动词基的文字,但一向不点名其内部结构,也并未有其在主句作用。

深入分析器:尝试分析器最简易的点子是在命令行工具。该工具仅用于演示和测量检验。请从大家网址上的德文分块

网络中饱含着海量的内容消息,基于这么些新闻的发现始终是成都百货上千世界的研商火爆。当然不一致的小圈子急需的音讯并不等同,有的钻探需求的是文字音讯,有的研究须求的是图表消息,有的切磋供给的是音频消息,有的切磋必要的是录制新闻。

2.2.7 分类结果评估

机械学习世界的算法评估的目标:
(1)召回率(查全率):检索出的有关文书档案数和文档库中享有的连带文书档案数的比率,是衡量检索系统的查全率
召回率=系统查找到的有关文件/系统具备相关的文档总量
(2)正确率(精度):检索出的相干文书档案数与寻找出的文书档案总的数量的比值
准确率=系统查找到的相关文件/系统具有检索到的公文化总同盟数
(3)Fp-Measure
Fp=(p2+1)P帕杰罗/(p2P+Tiguan),P是正确率,卡宴是召回率
p=1时,就是F1-Measure
文件分类项指标分类评估结果评估:代码见文件

import numpy as np
from sklearn import metrics

def metrics_result(actual,predict):
    print '精度:{0:3f}'.format(metrics.precision_score(actual,predict))
    print '召回:{0:0.3f}'.format(metrics.recall_score(actual,predict))
    print 'f1-score:{0:3f}'.format(metrics.f1_score(actual,predict))

metrics_result(test_set.label,predicted)

#输出形式如
#精度:0.991
#召回:0.990
#f1-score:0.990

2、新词识别

(转 )十秒钟学习自然语言管理概述

作者:白宁超

2016年9月23日00:24:12

摘要:近年自然语言管理行业进步方兴未艾,市镇应用分布。小编学习以来写了多数篇章,文章深度等级次序各异,明天因为某种须求,将稿子全体看了二遍做个规整,也能够叫做概述。关于那一个标题,博客里面都有详实的稿子去介绍,本文只是对其种种部分中度回顾梳理。(本文原创,转发注脚出处十分钟学习自然语言管理概述 
)

图片 2

2.4.1 KNN算法的规律

1,算法观念:借使贰个样书在特色空间的k个方今邻(近年来似)的样书中的大非常多都属于某一种类,则该样本也属于那个体系,k是由友好定义的外表变量。

2,KNN算法的步骤:

首先等级:分明k值(正是目前邻的个数),平常是奇数
第二等第:明确间距衡量公式,文本分类平日选择夹角余弦,得出待分类数根据地与具有已知种类的样本点,从当中选用离开前段时间的k个样本
夹角余弦公式:cos =AB/|A|*|B|
其三等第:总括k个样本点中逐一门类的数目,哪个项指标数目最多,就把数办事处分为何连串

小谈:粤语分词技能

13 Lucene

Lucene是三个基于Java的全文音信搜索工具包,它不是一个完全的探求应用程序,而是为您的应用程序提供索引和搜索功用。Lucene
近来是 Apache Jakarta(阿姆斯特丹) 家族中的三个开源项目。也是时下最棒流行的基于Java开源全文字笔迹核准索工具包。

时下已经有为数不菲应用程序的探究效用是依附 Lucene ,比如Eclipse
支持系统的检索效果。Lucene可感到文本类型的数
据构建目录,所以你借使把您要索引的数目格式转化的文本格式,Lucene
就会对你的文书档案进行索引和查找。

不移至理仍是可以使用决策树以致 SVM
等模型来做分类预测,不过实际的测验效果并未留心贝叶斯好,以 deion
作为输入为例,决策树的识别率为 85% 左右。

本章知识点:中文分词,向量空间模型,TF-IDF方法,文本分类算法和评价指标
利用的算法:朴素的贝叶斯算法,KNN近年来邻算法
python库:jieba分词,Scikit-Learning
本章指标:达成Mini的文书分类种类
本章首要解说文本分类的全部流程和相关算法

新词,专门的学业术语称为未登陆词。相当于这些在字典中都并未选择过,但又真正能称为词的这几个词。最特异的是真名,人方可很轻便驾驭句子“李营健虎去苏黎世了”中,“李营健虎”是个词,因为是一人的名字,但假若让计算机去辨别就不便了。假设把“李磊虎”做为一个词收音和录音到字典中去,环球有那么多名字,而且随即都有新扩大的姓名,收音和录音这个人名自个儿正是一项宏大的工程。即便那项专业能够变成,依然会设非凡,比方:在句子“李磊虎头虎脑的”中,“蔡培雷虎”还能够无法算词?

7 依据主动学习的中医文献句法识别斟酌  

7.1 语言材质库知识?       

语言材料库作为二个只怕多少个使用指标而非常收罗的,有必然结构的、有代表的、可被Computer程序检索的、具备自然范围的语料的集合。
   

语言材质库划分:① 时间分开② 加工深度划分:申明语言材质库和非注脚语言材质库③
结构划分⑤ 语种划分⑥ 动态更新程度划分:仿照效法语言材质库和监察语言材质库    

语言材质库创设标准:①   代表性②   结构性③   平衡性④   规模性⑤  
元数据:元数据对       

语言材料表明的优劣点

①   优点: 切磋方便。可选拔、功效多种性、解析清楚。

②   短处:
语言质地不客观(手工标明准确率高而一致性差,自动或许机关标明一致性高而正确率差)、标记不等同、准确率低

 7.2 条件随飞机场消除标明难题?      

标准随飞机场用于连串标明,中文分词、中文人名识别和歧义务消防队解等自然语言处理中,表现出很好的意义。原理是:对给定的洞察连串和标明体系,构建规范化可能率模型。条件随飞机场可用以不一样预测难点,其深造方法日常是宏大似然估算。
     

本人爱中华,实行连串标明案例教学条件随飞机场。(规则模型和总结模型难点)   

标准随飞机场模型也急需减轻七个核心难点:特征的挑选(表示第i个观看值为“爱”时,相对yi,yi-1的符号分别是B,I),参数练习和平消除码。
    

7.3 隐马尔可夫模型      

运用:词类申明、语音识别、局地句法解析、语块剖析、命名实体识别、音讯抽出等。应用于自然科学、工程本领、生物科学技术、公用职业、信道编码等多少个世界。
  

马尔可夫链:在随性所欲进程中,每种语言符号的产出概率不相互独立,各样随机试验的此时此特意况信任于从前意况,这种链就是马尔可夫链。
  

多元马尔科夫链:思量前叁个语言符号对后三个语言符号出现概率的熏陶,那样得出的言语元素的链叫做一重马尔可夫链,也是二元语法。二重马尔可夫链,也是长富语法,三重马尔可夫链,也是四元语法
     

隐马尔可夫模型理念的四个难题 

难题1(似然度难点):给一个HMM λ=(A,B)
和多个观测系列O,分明考查系列的似然度难点 P(O|λ) 。(向前算法化解)
         

难题2(解码难题):给定三个考查类别O和叁个HMM
λ=(A,B),找寻最佳的隐身状态类别Q。(Witt比算法化解)          

题材3(学习难题):给定一个观看比赛体系O和三个HMM中的状态集合,自动学习HMM的参数A和B。(向前向后算法化解)

7.4 Viterbi算法解码      

思路:

1 总结时间步1的Witt比概率

2 总结时间步2的维特比可能率,在(1) 基础测算

3 总结时间步3的Witt比概率,在(2) 基础测算

4 Witt比反向追踪路线         

Witt比算法与前进算法的分别:     

(1)Witt比算法要在前方路线的概率中挑选最大值,而向前算法规总括其总额,除却,Witt比算法和前进算法同样。
    

(2)Witt比算法有反向指针,寻觅藏身状态路线,而向前算法没有反向指针。
     

HMM和Witt比算法解决随机词类标明难题,利用Viterbi算法的中文句法标记  

7.5 体系标记情势       参照上面词性标记    

7.6 模型评价方法      

模型:方法=模型+策略+算法   

模型问题涉及:锻练抽样误差、测量试验标称误差、过拟合等难题。平常将学习方式对未确定的数据的预测能力称为泛化技艺。

模型评价参数:      

正确率P=识别正确的数码/全部鉴定分别出的数额   

错误率 =识别错误的数据/全体鉴定分别出的数据   

精度=识别准确正的数码/识别精确的数码      

召回率ENCORE=识别精确的多寡/全体无可置疑的总的数量(识别出+识别不出的)   

F度量=2PR/(P+R)      

多少正负均衡切合准确率    数据不均相符召回率,精度,F度量   

三种模型评估的点子:

K-折交叉验证、随机二遍抽样评估等    ROC曲线评价四个模型好坏  

有了第八个步骤的词向量的数值特征,接下去正是磨练模型的拈轻怕重了。对于文本分类问题来说,较为卓绝的正是朴素贝叶斯模型了。贝叶斯定理如下:

汉语语言的文件分类能力和流程:

1)预管理:去除文本的噪声新闻:HTML标签,文本格式调换
2)汉语分词:使用中文分词器为文本分词,并剔除停用词
3)营造词向量空间:总计文本词频,生成文书的词向量空间
4 )
权重计谋–TF-IDF方法:使用TF-IDF开掘特征词,并抽出为反映文书档案大旨的性状
5)分类器:使用算法磨练分类器
6)评价分类结果:分类器的测量检验结果深入分析

毕竟哪一类分词算法的精确度更加高,近期并无定论。对于其余一个成熟的分词系统的话,不容许独自依赖某一种算法来贯彻,都亟需综合分化的算法。小编询问,海量科学技术的分词算法就选用“复方分词法”,所谓复方,相当于用中中药中的复方概念,即用不相同的药才综合起来去医疗病魔,同样,对于普通话词的鉴定分别,须求多样算法来拍卖不相同的标题。

17 营造领域本体的文化学工业程措施:

最首要特征:本体更重申分享、重用,可以为分歧系统提供一种统一的语言,由此本体创设的工程性更为显明。

措施:这两天停止,本体育工作程中相比较闻名的二种艺术饱含TOVE
法、Methontology方法、骨架法、IDEF-5法和七步法等。(相当多是手工业构建领域本体)

现状:
由于本体育工作程到近日甘休仍居于相对不成熟的阶段,领域本体的建设还处于查究期,因而营造进度中还存在着好多标题。

艺术成熟度:
以上常用方法的相继为:七步法、Methontology方法、IDEF-5法、TOVE法、骨架法。

在取得一定的公文数据之后,需求对那个原来的数量实行拍卖,最入眼的正是分词。克罗地亚共和国(Republic of Croatia)语分词比之中文的分词要简明不菲,因为斯洛伐克(Slovak)语中词与词之间时有明显的间距区分,比方空格和一部分标点符号等。汉语的话,由于词语是由局地字组合的,全部要麻烦些,而且还可能有分歧意况下的歧义难题。当然
python 提供了比如 jieba
等精锐的分词模块,极度有利,不过完全来讲德文分词还要当心以下几点:

2.2.3 Scikit-Learn库简介

现存的分词算法可分为三大类:基于字符串相称的分词方法、基于通晓的分词方法和依照总计的分词方法。

14 Apache Solr

Solr它是一种开放源码的、基于 Lucene Java 的查究服务器。Solr
提供了局面寻觅(正是总括)、命中一望而知呈现何况帮衬三种出口格式。它轻便安装和配备,
並且附带了八个基于HTTP 的保管分界面。能够使用 Solr
的变现美好的中坚寻找功效,也足以对它进行扩充从而满意企业的急需。

Solr的特点包涵:

•高端的全文字笔迹核实索效果

•专为高通量的网络流量进行的优化

•基于开放接口(XML和HTTP)的正式

•综合的HTML管理分界面

•可伸缩性-能够行得通地复制到别的多少个Solr搜索服务器

•使用XML配置高达灵活性和适配性

•可增添的插件系列 solr中文分词

P(A|B) = P(B|A) P(A) / P(B)

2.2.4 向量空间模型:文本分类的结构化方法

1,向量空间模型:将文件表示为三个向量,该向量的各类特征表示为文本中冒出的词
2,停用词:文本分类前,自动过滤掉有个别字或词,以节省积存空间。遵照停用词表去除,表可下载。代码见文件

3、基于总括的分词方法

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

*
*
Website