06 2018 档案

句法结构分析：基于PCFG的基本分析方法——给定一个句子W = w1w2wn和文法G，如何快速计算P（W|G）
摘要：内向算法：将s—>w1w2···wn的概率分解为求P（S—>BC，B—>w1w2···wk，C—>wk+1···wn）k=1···n。 定义，内向变量：非终结符号A—>wiwi+1···wj的概率记为αij（A）。 αij（A）计算： αii（A）= P（A—>wi）； αij（A）= ΣB,C Σ 阅读全文
posted @ 2018-06-26 21:34 微冷不觉寒 阅读(1370) 评论(0) 推荐(0)
句法结构分析：基于PCFG的基本分析方法
摘要：PCFG：是基于概率的上下文无关文法，PCFG的规则表示为A—>α p，A为非终结符，p为A推导出α的概率，相同左部的产生式概率分布满足归一化条件。 基于PCFG的句法分析模型中，假设满足以下三个条件： 1.位置不变性：子树的概率不依赖子树所管辖的单词在句子中位置； 2.上下文无关性：子树的概率不依 阅读全文
posted @ 2018-06-26 19:34 微冷不觉寒 阅读(1364) 评论(0) 推荐(0)
依存语法：从短语结构树转换为依存树
摘要：与短语结构语法比较起来，依存语法没有词组这个层次，每一个结点都与句子中的单词相对应，它能直接处理句子中词与词之间的关系，而结点数目大大减少了，便于直接标注词性，具有简明清晰的长处。特别在语料库文本的自动标注中，使用起来比短语结构语法方便。 一般而言，短语结构语法是与依存语法等价的。因此，如果我们在短 阅读全文
posted @ 2018-06-25 15:54 微冷不觉寒
维特比（Viterbi）算法解最优状态序列
摘要：最优状态序列：一般是指在给定的HMM模型中，对于观测到的序列O，能产生该观测序列的概率最大的状态序列。 维特比算法运用 动态规划 求解这种最优状态序列。 定义：维特比变量：δt（i）是指 t 时刻时观测序列为O1O2···Ot，且qt = Si的所有路径中的概率最大值。（前t-1个时刻的状态q1q2 阅读全文
posted @ 2018-06-14 14:11 微冷不觉寒 阅读(1446) 评论(0) 推荐(0)
结合前向后向算法求隐马尔科夫模型观测序列O的概率
摘要：观察到整个观察序列O，并且在t 时刻隐藏状态刚好是Si的概率： P（O，qt = Si | μ）= P(O1O2```OtOt+1Ot+2```OT，qt = Si | μ) =P（O1O2···Ot，qt = Si | μ）P（Ot+1Ot+2···OT | O1O2···Ot，qt = Si，μ 阅读全文
posted @ 2018-06-13 21:57 微冷不觉寒 阅读(271) 评论(0) 推荐(0)
动态规划（dynamic programming）
摘要：动态规划与分治方法相似，都是通过组合子问题的解来求解原问题。动态规划应用于子问题重叠的情况。在这种情况下分治算法会不必要的反复求公共子问题。动态规划算法对每个子问题只求解一次，将其解保存在一个表格中，避免反复求子问题的解。 动态规划通常用来求解最优化问题。 阅读全文
posted @ 2018-06-11 21:10 微冷不觉寒 阅读(170) 评论(0) 推荐(0)
马尔科夫模型与隐马尔科夫模型
摘要：随机过程：是随时间而随机变化的过程。又称为随机函数。 马尔科夫模型（VMM）：它描述了一类重要的随机过程。 一个系统有有限个状态集S = {s1,s2,sN}，随时间推移，该系统将同某一状态转移到另一状态。Q=(s1,s2,,,sN)为一随机变量序列，随机变量取值为状态集S中的一个状态，设时间t时状 阅读全文
posted @ 2018-06-11 14:56 微冷不觉寒 阅读(3426) 评论(0) 推荐(0)
eclipse 中pull request的使用
摘要：首先fork github上面别人的项目，然后打开自己的github账号，会发现多了一个仓库。该仓库就是fork的项目。 然后，将该项目git clone 到本地、导入到eclipse中。当修改了项目后可以push到自己的github的仓库中。 如果想请求别人merge自己修改的代码，可以在自己的仓 阅读全文
posted @ 2018-06-06 15:28 微冷不觉寒 阅读(322) 评论(0) 推荐(0)