2016-07-21阅读(33121)评论(57)

本文摘录整编了一些理论介绍，推导了word2vec中的数学原理；并考察了一些常见的word2vec实现，评测其准确率等性能，最后分析了word2vec原版C代码；针对没有好用的Java实现的现状，移植了原版C程序到Java。时间和水平有限，...

2016-06-26阅读(17341)评论(11)

本新词发现模块已经集成到HanLP中开源。 本文是《基于互信息和左右信息熵的短语提取识别》的姊妹篇，文如其名，没什么新意。 谈起“新词识别”“新词发现”，有许多论文慷慨陈词：要设计丰富的特征模板、建立训练语料库、引入CRF、ME、SVM、神...

2015-11-26阅读(17042)

如果你是能力不足的小白，请直接使用傻瓜安装包。 能力达标的话，一句话安装pyhanlp，全自动下载安装配置，还支持升级。 pip install pyhanlp 调用方法参考项目主页：https://github.com...

2015-11-23阅读(7546)评论(7)

今天有用户想在CSharp里调用HanLP的API，遇到了些小问题。所以我干脆自己写了个指南，一步步演示IKVM与HanLP的集成方法，供广大C#程序员参考。本方法也可推广到用C#调用任何Java jar类库，并解决classpath的问题...

2015-11-12阅读(34221)评论(26)

本文剖析了一个基于神经网络分类模型和arc-standard转移动作的判决式汉语依存句法分析器，其Java实现由我移植自LTP的C++代码，并添加了详细的注释，将内部数据结构由哈希表替换为高速的DoubleArrayTrie，分词和词性标注...

2015-08-23阅读(12220)

以前发布过HanLP的Lucene插件，后来很多人跟我说其实Solr更流行（反正我是觉得既然Solr是Lucene的子项目，那么稍微改改配置就能支持Solr），于是就抽空做了个Solr插件出来，开源在Github上，欢迎改进。 HanLP中...

2015-05-07阅读(9706)评论(12)

谈起基于Character-Based Generative Model的中文分词方法，普遍的印象是在Bakeoff上的成绩好，对OOV的识别率高。HanLP中实现的CRF分词器其实就是这种原理的分词器，然而CRF分词缺点也是很明显的： 一...

2015-04-30阅读(12170)评论(9)

前段时间开源了基于双数组Trie树的Aho Corasick自动机，当时认为在中文分词中，ACDAT应该能秒杀DAT。今天优化了DAT的多模式匹配后，竟然得出了意外的结果。 当初的DAT实现中，为了支持多模式匹配，我写了一个Searcher...

2015-03-27阅读(66858)

中文分词≠自然语言处理！ 中文分词只是第一步；HanLP从中文分词开始，覆盖词性标注、命名实体识别、句法分析、文本分类等常用任务，提供了丰富的API。 不同于一些简陋的分词类库，HanLP精心优化了内部数据结构和IO接口，做到了毫秒级的冷启...

2015-01-29阅读(20325)评论(19)

这是一篇面向工程师的LDA入门笔记，并且提供一份开箱即用Java实现。本文只记录基本概念与原理，并不涉及公式推导。文中的LDA实现核心部分采用了arbylon的LdaGibbsSampler并力所能及地注解了，在搜狗分类语料库上测试良好，开...