• maven 打包报错 Return code is 501 , ReasonPhrase:HTTPS Required.
  报错场景 今天 maven 打包，报错如下： [ERROR] Failed to execute goal on project pinyin: Could not resolve dependencies for project com.github.houbb:pinyin:jar:0.0.2-SNAPS HOT: Failed to collect dependencies at ...
  2020-01-09 02:09:32 | Devops
• 如何解决分词的繁简体问题？
  分词的繁简体问题 分词是基本所有 nlp 的基础，那么分词中的繁简体如何解决？ 方案1-HMM预测 不依赖字典，直接根据繁题的字频预测。 优点：降低内存消耗 缺点：不知道 jieba 有没有对应的繁体字频统计。 而且我想在 HMM 服务降级的时候依然可以支持。 方案2-繁体字典预处理 基于 jieba-fenci + opencc4j 首先做一次预处理。 将所有的繁体词组处...
  2020-01-09 02:09:32 | Search
• 如何为 java 设计一款高性能的拼音转换工具 pinyin4j
  拼音转换工具 拼音转换工具的思路不难： （1）词语分词 （2）基于词库进行拼音的映射 （3）拼接最后的结果 可以认为主要下面的部分值得留意 准确性 作为拼音转换算法，准确性优先级应该是在性能之前的。 如果我们能保证高准确性，应该尽可能的去提高准确性。 词库来源 这里的词库，不包括分词的词库，仅仅指拼音的词库。 指拼音的词库，收集可以在各种优秀词库的基础上，不应该在收集上...
  2020-01-09 02:09:32 | Search
• 拼音转汉字实现方式
  基于HMM的拼音转汉字 这里的拼音一般不带声调。 将汉字作为隐藏状态，拼音作为观测值，使用viterbi算法可以将多个拼音转换成合理的汉字。 例如给出ti,chu,le,jie,jue,fang,an，viterbi算法会认为提出了解决方案是最合理的状态序列。 HMM 需要三个分布，分别是： 初始时各个状态的概率分布 各个状态互相转换的概率分布 ...
  2020-01-09 02:09:32 | Search
• pinyin4j 声母与韵母的基础知识
  汉语拼音是拼写汉民族标准语的拼音方案。 汉语拼音是以北京语音系统作为语音标准的。 北京音也是中国地域最辽阔、人口最多的北方方言的典型代表。 解释汉语拼音用法和标准的《汉语拼音方案》是中国拼音文字方案的国家标准，也是联合国规定用来拼写中国人名地名和专用词语的国际标准。 它是中华人民共和国法定的拼音方案，是世界文献工作中拼写有关中国的专用名词和词语的国际标准。 1958年2月11日，第...
  2020-01-09 02:09:32 | Search
• pinyin4j 之中文拼音的基础知识
  拼音声调 声调 拼音声调是指普通话中的声调，通常叫四声，即阴平（第一声），用“ˉ”表示，如lā；阳平第二声，用“ˊ”表示，如lá；上声（第三声），用“ˇ”表示，如lǎ；去声（第四声），用“ˋ”表示，如；là。 汉语中还存在着一种特殊声调，叫做轻声，有时也叫第五声，在汉语拼音中不标调。有些学者认为“第五声”的说法并不确切。轻声虽然能够起分辨语义的作用，但是通常不列入汉语“四声”之一，因为...
  2020-01-09 02:09:32 | Search
• java 开源中文的繁简体转换工具 opencc4j 使用入门-01-overview
  Opencc4j Opencc4j 支持中文繁简体转换，考虑到词组级别。 拓展阅读 pinyin 汉字转拼音 pinyin2hanzi 拼音转汉字 segment 高性能中文分词 opencc4j 中文繁简体转换 nlp-hanzi-similar 汉字相似度 word-checker 拼写检测 sensitive-word 敏感词 Features 特点 ...
  2020-01-09 02:09:32 | Search
• TF-IDF 找出相似文章算法
  相似性文章 今天，我们再来研究另一个相关的问题。 有些时候，除了找到关键词，我们还希望找到与原文章相似的其他文章。 比如，”Google新闻”在主新闻下方，还提供多条相似的新闻。 余弦相似性 为了找出相似的文章，需要用到 “余弦相似性”（cosine similiarity）。 下面，我举一个例子来说明，什么是”余弦相似性”。 例子 句子 为了简单起见，我们先从句子着手。 ...
  2020-01-09 02:09:32 | Search