经过一个月的开发,我的N-gram程序终于可以进行分词了,虽然由于语料库太小导致统计数据不足,分词效果不是很理想,但至少我终于从零开始完成了这个程序的开发,开发了分词程序的基本模块,包括语料预处理,分解,词典管理,从语料中统计信息,分词等功能。通过开发,我终于初步明白了数据挖掘、自然语言处理、搜索技术中数据处理所面临的一些问题,也明白了自己努力的方向。在大语料方面,我自己开发了一个小方案,但效率却比较低。
春节,也许还会有新的进展,特别是大语料的处理还需要进一步优化。
2010-10-18:今天找出了以前的代码,上传到了 http://idocbox.googlecode.com/files/xSpliter-0.1.zip 供大家了解一些简单的原理。 注意,我的代码是5年前写的,现在看,这个代码有很多问题的。所以,大家就当我献丑了,仅仅学习下就可以。
用法:下载完了,把代码解压后的工程导入到eclipse, 通过执行里面的单元测试来了解统计、建统计词典、分词的过程。
有问题欢迎交流,如果我有时间,我会写一个分布式、更加智能、灵活、高效的算法实现给大家的。
作者:豆博草堂
堂主你好,想跟你学习一下语言模型,不知是否方便
呵呵,我只对是这方面感兴趣:)不是专家了。不过可以推荐你看看 《统计自然语言处理基础》
建议多去看看专门研究nlp的网站,我觉得 http://www.52nlp.cn/ 就挺好的.
很感谢,我刚刚开始学,有点摸不着头脑,谢谢你提供的资源
你好,打扰了。想跟你请教一下如何开始实验的部分,我看了一些理论,但总感觉有点空,想要编程实现又没有基础。请问仿真语言用的是什么?有哪些资料可以学习?语料库的问题怎么解决?期待你的回复。谢谢!
任何语言都可以。只要你熟悉就行。语料库可以上网下载搜狗的语料库进行。资料的话还是那两本经典的图书。另外,可以到 http://www.open-open.com/74.htm 看看开源的
谢谢你的回复。我是用于自己学习的,想写点语音识别语言模型的论文,可是苦于不会做实验,程序写不出来。冒昧的问下,可不可以学习下你的语言模型的程序。这样的要求有点唐突,但请你见谅,我实在是也没别人可以求助。给你添麻烦了,万分抱歉。不管如何,谢谢你提供的资料
我看到你的留言之后在我电脑上找了很久,但就是没有找到这个算法的代码。因为这个代码是三年多之前写的,很久再没有开发。我再找找看。
不过,N-Gram算法处理思路应该都相通的。比如2-Gram就是对连续的单词进行统计,而语音应该是对连续的
两个音节进行处理。所以你可能需要语音模型,找到算法可以对语音信号进行分析,找到切分点,然后再进行2-gram统计.具体统计方案其实就是用字典数据结构来记录次数了。如果数据量大,就需要统计一段之后将数据记录到文件中,
最后不断合并统计结果的。建议对于语音识别可以看看 http://www.pris.net.cn/field/voice
还有就是请教 李开复老师 (微薄:http://weibo.com/kaifulee)
我对这些只是非常感兴趣,以前学习过一些,并不是了解太多细节。有编程问题可以和我讨论。
建议关注我的微薄 http://weibo.com/wiseneuron 留言
另外,多用 google进行搜索获取知识。多搜英文。
翻遍移动硬盘,我的代码找到了。 上传到了 http://idocbox.googlecode.com/files/xSpliter-0.1.zip 导入到eclipse, 然后执行里面的单元测试类来了解算法过程。
谢谢你的热心帮助,万分感谢。
能把你写的n-gram算法发我邮箱吗?563835485@qq.com 我有急用
可以n-gram字符串代码可以发我吗?
你好,我想了解一下n-gram的数据结构,希望你能给推荐相关的书籍或者论文,非常感谢!
推荐去阅读 统计自然语言处理 http://book.douban.com/subject/3076996/ 和 统计自然语言处理基础 http://book.douban.com/subject/1224802/
您好!很想学习语言处理方面的知识,想学习下ngram具体实现的代码,不知道可不可以给我发一份,我的邮箱地址yu21333@126.com. 谢谢!