中文分詞是自然語言處理中的基石,由于中文在文本中的特殊性,它并不像英文一樣有明顯的空格分隔開,而是以單個(gè)字為單位,因此如果需要從文本中獲取有用的信息,一定需要有正確分詞后的文本,才能更好地進(jìn)行下一步的自然語言處理方面的工作。然而中文分詞的兩大難點(diǎn)——真歧義以及未登錄詞,至今仍舊沒有很好地解決。面對(duì)網(wǎng)絡(luò)上用戶的復(fù)雜信息,作為命名實(shí)體識(shí)別中必不可少的一部分,用戶標(biāo)識(shí)識(shí)別就可以發(fā)揮其作用。序列標(biāo)注模型在處理中文分詞和命名實(shí)體識(shí)別這一塊是卓有成效的,而條件隨機(jī)場(chǎng)更是序列標(biāo)注方法中的佼佼者。為了進(jìn)一步提高中文分詞的效果以及用戶標(biāo)識(shí)識(shí)別的準(zhǔn)確性,本文提出了一種基于特征對(duì)齊的方法,然后將分類器與條件隨機(jī)場(chǎng)結(jié)合來進(jìn)行序列標(biāo)注的任務(wù)。為了構(gòu)建特征對(duì)齊的序列標(biāo)注模型,本文主要完成的工作如下:1.結(jié)合分類器和條件隨機(jī)場(chǎng)的算法,提出了一種基于特征對(duì)齊的中文分詞方法。首先,針對(duì)文本中的字符二元組,抽取字符二元組的詞頻、信息熵、互信息、數(shù)字、標(biāo)點(diǎn)、句子語境等共19項(xiàng)特征,將每一個(gè)字符二元組表示成一個(gè)19維的向量。其次,對(duì)于關(guān)于頻數(shù)的13項(xiàng)特征利用地球移動(dòng)距離（EMD）的方法使得標(biāo)記數(shù)據(jù)和無標(biāo)記數(shù)據(jù)進(jìn)行特征對(duì)齊,從... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

網(wǎng)絡(luò)新詞

遷移學(xué)習(xí)的實(shí)例

EMD示意圖

【參考文獻(xiàn)】：
期刊論文
[1]Xgboost算法在區(qū)域用電預(yù)測(cè)中的應(yīng)用![J]. 許裕栗,楊晶,李檸,甘中學(xué).  自動(dòng)化儀表. 2018(07)
[2]基于XGBoost的企業(yè)倒閉風(fēng)險(xiǎn)預(yù)測(cè)[J]. 石濤.  無線互聯(lián)科技. 2018(08)
[3]基于隱馬爾可夫模型在股票擇時(shí)上的應(yīng)用與研究[J]. 王曠羽.  電腦編程技巧與維護(hù). 2018(04)
[4]基于GBDT的商品分配層次化預(yù)測(cè)模型[J]. 朱振峰,湯靜遠(yuǎn),常冬霞,趙耀.  北京交通大學(xué)學(xué)報(bào). 2018(02)
[5]基于GBDT和HOG特征的人臉關(guān)鍵點(diǎn)定位[J]. 張重生,彭國(guó)雯,于珂珂.  河南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[6]基于Bi-LSTM的醫(yī)療事件識(shí)別研究[J]. 侯偉濤,姬東鴻.  計(jì)算機(jī)應(yīng)用研究. 2018(07)
[7]基于雙線性函數(shù)注意力Bi-LSTM模型的機(jī)器閱讀理解[J]. 劉飛龍,郝文寧,陳剛,靳大尉,宋佳星.  計(jì)算機(jī)科學(xué). 2017(S1)
[8]基于最大熵馬爾科夫模型的績(jī)效評(píng)價(jià)方法[J]. 朱磊,牛綠茵,宋士吉,張玉利.  控制理論與應(yīng)用. 2017(03)
[9]中文分詞模型的領(lǐng)域適應(yīng)性方法[J]. 韓冬煦,常寶寶.  計(jì)算機(jī)學(xué)報(bào). 2015(02)
[10]基于條件隨機(jī)場(chǎng)方法的開放領(lǐng)域新詞發(fā)現(xiàn)[J]. 陳飛,劉奕群,魏超,張?jiān)屏?張敏,馬少平.  軟件學(xué)報(bào). 2013(05)



本文編號(hào)：3473841