卯卯 | 炼就一手绝世刀法！
日出东海落西山，愁也一天，喜也一天。遇事不钻牛角尖，人也舒坦，心也舒坦！
2018-07-24 11:32:06
关于处理Intel MKL FATAL ERROR: Cannot load mkl_intel_thread.dll.的问题
你安装numpy版本应该是 numpy+mkl 吧，把 site-packages/numpy/core 文件夹中 mkl_开头的文件拷贝到 python 的根目录下（与 python.exe 同目录）。
作者:yangli | 分类:未分类 | 浏览:768 | 评论:0
2018-07-23 15:57:56
模板渲染和模板传参以及模板中访问模型属性和字典属性。
模板渲染：flask1.py中：二、模板传参数：访问模型属性和字典属性：字典属性的使用：
作者:yangli | 分类:web应用-flask | 浏览:884 | 评论:0
2018-07-20 17:01:51
ImportError: cannot import name 'NUMPY_MKL'错误记录
解决方法：http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy下载numpy-1.14.5+mkl-cp35-cp35m-win_amd64.whl（因为我的是Python3.5所以注意选择你适合的）我将粘贴好的文件放在了D盘，cmd到路径位置进行安装。
作者:yangli | 分类:未分类 | 浏览:692 | 评论:0
2018-07-20 15:07:54
基于TF-IDF挖掘符合语言规范的N-Gram-即挖掘哪些词同时的高频出现在一起，哪些字同时的高频的出现在一起（注先去停用词）。
N-Gram的最根本是数学思想就是条件概率。结合上一篇的N-Gram,我们会了解到它的背后原理，利用这个原理，可以去计算哪些词或者字在语料中高频的连续出现在一起。实际应用：我们可以挖掘出病历文本中某些疾病的几个症状通常同时出现，以及所用药物同时出现。用于病历文本的知识挖掘。基于TF-IDF挖掘符合语言规范的N-Gram-即挖掘哪些词同时的高频出现在一起，哪些字同时的高频的出现在一起（注先去停用词）——停用词的去除方法可以参考《去噪音数据（停用词、形容词、动词等）-信息提取（利用hanlp词性识别
作者:yangli | 分类:自然语言处理 | 浏览:1352 | 评论:0
2018-07-19 17:19:41
N-GRAM语言模型算法
在特定领域我们需要利用该模型构建自己的分词和词性标注，已有的分词工具或词性标注工具在通用领域可能会很好，但是在特定领域效果会很差。前提假设：前后的两个词是有联系的（也是HMM的假设前提），通过条件概率来计算句子的合理性。一张词频表（含有大量的文本——我们的语料库，在中文中我们需要分词再做词频统计），第二张表则是一个关键词共现矩阵和Bi-GRAM计算。Tri-GRAM相似。另一例子：注：基于N-gram还出现了更多有价值的语言模型，如NNLM、CBOW等。
作者:yangli | 分类:自然语言处理 | 浏览:695 | 评论:0
2018-07-17 16:00:12
依存句法和语义依存分析
知识图谱所常用的nlp技术： 事件抽取可间接等价于命名实体识别。 关系抽取可以等价于谓语的提取（依存句法分析）。采用的方法：哈工大的依存句法分析一：依存句法分析。（主谓宾，定状补）哈工大的标注：二、依存语义分析。弥补（TF-IDF时关键词提取，再计算语义相似度漂移的问题。）依存语义分析目标是跨越句子表层句法结构束缚，直接获取深层的语义信息。分析句子各个语言单位之间的语义并联，并将语义关联以依存结构呈现。重
作者:yangli | 分类:自然语言处理 | 浏览:1613 | 评论:0
2018-07-17 13:55:42
Stanford NLP在Python环境中的安装、介绍和使用
Stanford nlp特点：1，一个集成的语言分析工具（java编写）。2，支持多种语言的处理（少数几个支持中文处理的工具）。3，分析的准确性高。4，多种语言可以调用操作。5，方便的简单的部署web服务。python环境下安装：1）pip install stanfordcorenlp2)在https://stanfordnlp.github.io/CoreNLP/index.html下载Stanford CoreNLP文件。 并下载中文处理jar包（在同一份网页）。3，把解压后的Stanfo
作者:yangli | 分类:自然语言处理 | 浏览:738 | 评论:0
- 控制面板
- 网站分类
- 搜索
- 文章归档
-
- 2023年4月 (1)
- 2022年12月 (6)
- 2022年11月 (2)
- 2022年10月 (4)
- 2022年9月 (1)
- 2022年8月 (1)
- 2022年7月 (2)
- 2022年4月 (1)
- 2022年3月 (4)
- 2021年5月 (1)
- 2021年3月 (1)
- 2020年10月 (1)
- 2020年9月 (11)
- 2020年8月 (1)
- 2020年7月 (2)
- 2020年5月 (4)
- 2020年4月 (1)
- 2020年2月 (1)
- 2020年1月 (1)
- 2019年11月 (2)
- 2019年10月 (3)
- 2019年9月 (5)
- 2019年8月 (19)
- 2019年7月 (6)
- 2019年6月 (8)
- 2019年5月 (10)
- 2019年4月 (16)
- 2019年3月 (37)
- 2019年2月 (24)
- 2019年1月 (11)
- 2018年12月 (3)
- 2018年11月 (3)
- 2018年10月 (7)
- 2018年9月 (8)
- 2018年8月 (41)
- 2018年7月 (29)
- 2018年6月 (14)
- 2018年5月 (16)
