2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩73頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、中文分詞是中文信息處理的一個(gè)基礎(chǔ)環(huán)節(jié)。在中文信息檢索的文本處理階段,也常 用到這項(xiàng)技術(shù)。學(xué)術(shù)界關(guān)于分詞技術(shù)的研究一直比較多,但是目前的研究大多是通用的 分詞算法,專門針對(duì)信息檢索應(yīng)用的分詞技術(shù)研究相對(duì)較少。 本文首先介紹了中文分詞的難點(diǎn),以及目前常用的一些切分算法。然后綜合分析了 分詞技術(shù)對(duì)中文信息檢索的影響,在此基礎(chǔ)上系統(tǒng)地提出了適用于信息檢索應(yīng)用的分詞 技術(shù)的特點(diǎn),并且根據(jù)這些特點(diǎn)給出我們自己的分詞算法。 由

2、于面向大規(guī)模信息檢索的分詞算法對(duì)時(shí)間性能要求較高,我們的詞典算法采用了 雙數(shù)組Trie樹優(yōu)化算法。該算法查詢一個(gè)詞語最多只需要進(jìn)行n-1次整數(shù)相加,時(shí)間復(fù) 雜度是O(n),n為查詢?cè)~長度。我們的實(shí)驗(yàn)顯示,無論是單純的詞語查詢速度還是最大 匹配切分速度,雙數(shù)組Tile樹算法都要比目前詞典機(jī)制中常用的普通Trie樹算法和雙字 Hash算法快。 歧義消除和未登錄詞識(shí)別是分詞的兩大技術(shù)難點(diǎn)??紤]到信息檢索應(yīng)用的特點(diǎn),在 歧義消

3、除部分,對(duì)于交叉歧義和覆蓋歧義這兩類歧義,我們只處理前者,并在歧義位置 用雙字耦合度和t-測試差的線性迭加值來判斷是否切分;對(duì)于后者,我們提出一種在查 詢擴(kuò)展時(shí)處理的方法。未登錄詞識(shí)別部分我們則利用單字的成詞位置概率,同時(shí)結(jié)合局 部二元串頻統(tǒng)計(jì)對(duì)所有命名實(shí)體和新詞進(jìn)行統(tǒng)一識(shí)別。 實(shí)驗(yàn)表明,該分詞算法切分速度在CPU3.2G,內(nèi)存512M的環(huán)境下能達(dá)到2MB/秒, 比當(dāng)前一些切分精度較高的分詞算法如ICTCLAS要快很多;

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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論