- 1、本文档共12页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Hadoop大数据解决方案进阶应用 Hadoop 讲师:迪伦(北风网版权所有) Hadoop综合实战-文本挖掘项目 (2) 项目流程 中文分词方法 课程目标 项目流程 构建文本分类器 步骤 分类体系 两层分类体系 积累样本 从门户网站爬取指定类别下的文章 文本预处理 中文分词方法 基于字符串匹配的分词方法 原理是将文档中的字符串与词典中的词条进行逐一匹配, 如果词典中找到某个字符串, 则匹配成功, 可以切分, 否则不予切分 匹配的原则:最大匹配、最小匹配等 词典 顺序 基于语法和规则的分词法 基本思想就是在分词的同时进行句法、语义分析, 利用句法信息和语义信息来进行词性标注, 以解决分词歧义现象 基于统计的分词方法 基于统计的分词法的基本原理是根据字符串在语料库中出现的统计频率来决定其是否构成词 中文分词 两大难题 歧义识别 新词识别 应用 搜索引擎倒排索引 自然语言处理机器学习、机器翻译、文本挖掘等 Lucene的中文分词器 基于字符串匹配的分词 Paoding: Lucene中文分词“庖丁解牛” Paoding Analysis Mmseg4j:Mmseg算法 IK:正向迭代最细粒度切分算法 基于统计的分词 Imdict:imdict智能词典所采用的智能中文分词程序 采用隐马尔科夫模型 分词器 用户自定义词库 速度 paoding 支持不限制个数的用户自定义词库,纯文本格式,一行一词 在PIII 1G内存个人机器上,1秒 可准确分词 100万 汉字 mmseg4j 自带sogou词库,支持名为 wordsxxx.dic, utf8文本格式的用户自定义词库,一行一词;不支持自动检测 complex 1200kb/s左右, simple 1900kb/s左右 ik 支持api级的用户词库加载,和配置级的词库文件指定,无 BOM 的 UTF-8 编码,\r\n 分割;不支持自动检测 具有50万字/秒的高速处理能力 imdict 暂时不支持用户自定义词库,支持用户自定义 stop words 483.64 (字节/秒),259517(汉字/秒) 庖丁分词 Paoding’s Knives 中文分词具有高效率和高扩展性 采用完全的面向对象设计,构思先进 优点 自定义词库 能够对未知的词汇进行合理解析 分词效率高 主页 /p/paoding/ 欢迎访问我们的官方网站 * * * * * * * * * * * * * * * * * *
您可能关注的文档
- 课件信号与系统15-16-ppt9z变换-20160510_47590430.pdf
- 腐蚀实验方法限选课第八章3海水腐蚀.ppt
- 第9章周期性非正弦电流电路.pdf
- 第八讲学生讲的2016级18俞健飞.pptx
- 32-李昌春-2017二建-公路工程管理与实务-精讲班4-第一章公路隧道和交通工程液晶屏2017 1 10.pptx
- 新帕萨特燃油表不显示油量.ppt
- 20191223进阶篇并行执行进阶篇并行执行1.pptx
- 芯片手册-奔跑吧riscv-compressed-spec-v1 9中文版.pdf
- 中国博览会会展中心综合体照明专项汇报20130813日最终确认版1.pptx
- 6-26培训-单元格模型和函数.pptx
- [红河]云南红河个旧市鸡街中心卫生院编外人员招聘 笔试历年典型考题及考点剖析附答案详解.docx
- [河南]2024年河南工业贸易职业学院招聘15人 笔试历年典型考题及考点剖析附答案详解.docx
- [丽水]2024年浙江丽水遂昌县教育系统招聘幼儿园教师12人 笔试历年典型考题及考点剖析附答案详解.docx
- [福建]2024年福建省肿瘤医院招聘高层次人才2人 笔试历年典型考题及考点剖析附答案详解.docx
- [枣庄]2024年山东枣庄技师学院招聘备案制工作人员 笔试历年典型考题及考点剖析附答案详解.docx
- [牡丹江]2024年黑龙江牡丹江技师学院人才招聘17人 笔试历年典型考题及考点剖析附答案详解.docx
- [南平]2024年福建南平市顺昌县事业单位招聘医疗卫生紧缺急需专业人员21人 笔试历年典型考题及考点剖析附答案详解.docx
- [深圳]2024年广东深圳市龙岗区第三人民医院招聘事业单位工作人员 笔试历年典型考题及考点剖析附答案详解.docx
- [江西]2024年江西科技师范大学博士人才招聘37人 笔试历年典型考题及考点剖析附答案详解.docx
- [东营]2024年山东东营区事业单位招聘人员 笔试历年典型考题及考点剖析附答案详解.docx
最近下载
- 企业集团管控模式研究之二十四:龙湖地产项目运营管理体系专题研究.ppt VIP
- 中国老年高血压管理指南2023.pdf
- 镇卫生院工作人员绩效考核办法.doc
- 食堂食材配送服务方案.docx VIP
- 2024年新制定《网络行为规定》专题PPT.ppt VIP
- 全国各地省市县区域列表97978.xls VIP
- 2023年榴莲行业分析:供需两端双轮驱动榴莲行业快速发展 未来榴莲深加工领域有望受 B 端与 C 端需求高增催化报告模板.pptx
- pcs-974系列变压器非电量保护装置技术和使用说明书云南110kv站.pdf
- QCR 9004-2018 铁路工程施工组织设计规范(完整版).doc
- 2024年天津职业技术师范大学高职单招数学/语文/英语笔试历年常考题含答案详解.docx
文档评论(0)