傳統(tǒng)機(jī)器學(xué)習(xí)分詞的方法工作效率普遍偏低,因其基本依賴于人工設(shè)計(jì)的特征工程,且需要大量的人工驗(yàn)證特征的有效性。而基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法出現(xiàn)后,實(shí)現(xiàn)了訓(xùn)練神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征,這種方式極大減少工作量,同時(shí)提高提取特征工程的效率。本文根據(jù)一種基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場(chǎng)模型結(jié)合的中文自動(dòng)分詞模型進(jìn)行測(cè)試,結(jié)果表明分詞準(zhǔn)確率、召回率極高,更具通用性。 

【文章來(lái)源】：吉林廣播電視大學(xué)學(xué)報(bào). 2019,(12)

【文章頁(yè)數(shù)】：3 頁(yè)

【文章目錄】：
一、國(guó)內(nèi)中文分詞的研究現(xiàn)狀
二、中文自動(dòng)分詞的研究意義及主要應(yīng)用
    1、自動(dòng)翻譯
    2、搜索引擎
    3、語(yǔ)音合成
三、神經(jīng)網(wǎng)絡(luò)模型與實(shí)現(xiàn)
    1、LSTM神經(jīng)網(wǎng)絡(luò)模型
    2、條件隨機(jī)場(chǎng)模型（CRF）
    3、系統(tǒng)整體架構(gòu)
    4、實(shí)驗(yàn)結(jié)果與分析
四、結(jié)束語(yǔ)



本文編號(hào)：3111699