世界最复杂的机器11月重启,温度宇宙最低
By 苏剑林 | 2009-10-20 | 16816位读者 | 引用沉痛,默哀!中国科学巨星钱学森逝世
By 苏剑林 | 2009-10-31 | 23461位读者 | 引用钱学森:人生书写时代
By 苏剑林 | 2009-10-31 | 18559位读者 | 引用本站域名Spaces.Ac.Cn的PR为2了
By 苏剑林 | 2009-11-01 | 24913位读者 | 引用美国科学家用3000幅照片拼接夜空全景
By 苏剑林 | 2009-11-03 | 17652位读者 | 引用新词发现的信息熵方法与实现
By 苏剑林 | 2015-10-26 | 112299位读者 | 引用在本博客的前面文章中,已经简单提到过中文文本处理与挖掘的问题了,中文数据挖掘与英语同类问题中最大的差别是,中文没有空格,如果要较好地完成语言任务,首先得分词。目前流行的分词方法都是基于词库的,然而重要的问题就来了:词库哪里来?人工可以把一些常用的词语收集到词库中,然而这却应付不了层出不穷的新词,尤其是网络新词等——而这往往是语言任务的关键地方。因此,中文语言处理很核心的一个任务就是完善新词发现算法。
新词发现说的就是不加入任何先验素材,直接从大规模的语料库中,自动发现可能成词的语言片段。前两天我去小虾的公司膜拜,并且试着加入了他们的一个开发项目中,主要任务就是网络文章处理。因此,补习了一下新词发现的算法知识,参考了Matrix67.com的文章《互联网时代的社会语言学:基于SNS的文本数据挖掘》,尤其是里边的信息熵思想,并且根据他的思路,用Python写了个简单的脚本。
科学空间:2009年12月重要天象
By 苏剑林 | 2009-12-05 | 23027位读者 | 引用《巨眼问苍穹》:讲述望远镜的400年
By 苏剑林 | 2010-01-26 | 20592位读者 | 引用《巨眼问苍穹》是国际天文学联合会推出的庆祝望远镜400周年的书籍和电影,也是2009年美狄亚评委会特别奖获奖片
这部影片具有多个名称,其中中文名译为《巨眼问苍穹》、《望远镜的400年》或者《400年的故事-望远镜》等,英文名为《400 Years Of Telescope》,但也发现名为《Eyes On The Skies》的称呼。也不知道哪个更准确一点,不管他了,内容实质是一样的。片长60分钟,有英文、德文和中文配音,并有33种语言的字幕。目前已有30万个DVD免费分发到科学中心、天文馆、天文爱好者俱乐部的教育机构。该书132页,有英文,德文,芬兰文,韩文、日文和中文等多种语言(书籍站长还没有看过,影片就看了一下)。
最近评论