• 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
• 相似文章算法之语义指纹-文本内容去重
  引言 网络爬虫让我们高效地从网页获取到信息，但网页的重复率很高，网页需要按内容做文档排重，而判断文档的内容重复有很多种方法，语义指纹是其中比较高效的方法。 本文选自《网络爬虫全解析——技术、原理与实践》。 用途 文章相似度，杜绝论文抄袭等等。 语义指纹的由来 提到“指纹”就想到了人手的指纹。 那么指纹能干嘛呢？ 我们看到最多的是警匪片中验指纹，还有公司考勤打卡用指纹等。其目的...
  2020-01-09 02:09:32 | NLP
• TF-IDF 自动提取关键词
  自动提取关键词 这个标题看上去好像很复杂，其实我要谈的是一个很简单的问题。 有一篇很长的文章，我要用计算机提取它的关键词（Automatic Keyphrase extraction），完全不加以人工干预，请问怎样才能正确做到？ 这个问题涉及到数据挖掘、文本处理、信息检索等很多计算机前沿领域，但是出乎意料的是，有一个非常简单的经典算法，可以给出令人相当满意的结果。 它简单到都不需要高...
  2020-01-09 02:09:32 | Search
• TF-IDF 自动生成文章摘要
  自动摘要 有时候，很简单的数学方法，就可以完成很复杂的任务。 这个系列的前两部分就是很好的例子。 仅仅依靠统计词频，就能找出关键词和相似文章。 虽然它们算不上效果最好的方法，但肯定是最简便易行的方法。 今天，依然继续这个主题。讨论如何通过词频，对文章进行自动摘要（Automatic summarization）。 如果能从3000字的文章，提炼出150字的摘要，就可以为读者节省大...
  2020-01-09 02:09:32 | Search
• 倒排索引原理与实现
  关于倒排索引 场景是：给定几个关键词，找出包含关键词的文档 倒排索引： 不是由记录来确定属性值，而是由属性值来确定记录的位置 lucene 是基于倒排索引实现的。 倒排文件(inverted file)：存储倒排索引的物理文件 倒排索引组成：单词词典和倒排文件。 倒排索引一般表示为一个关键词，然后是它的频度（出现的次数），位置（出现在哪一篇文章或网页中，及有关的日期，作者等信息）...
  2020-01-09 02:09:32 | Search
• tess4j 实现 OCR 图片文字识别
  OCR图像识别技术的JAVA实现 最近有个需求需要用图像识别，学习记录一下。 目前网络上的开源的图像识别技术有很多，例如 OCRE(OCR Easy)、Clara OCR、OCRAD、TESSERACT-OCR 等。 今天本blog将记录下tesseract-ocr的JAVA实现，便于以后查阅使用。 开源 ocr 引擎 https://github.com/search?q=ocr...
  2020-01-09 02:09:32 | OCR
• java 实现 OCR 图片文字识别中文
  背景 我们上一节讲过了针对英文的 ocr 实现，现在我们来尝试一下中文识别。 我们准备一张简单的中文图片： 准备工作 下载中文训练集 下载地址 所有语言的训练集 此处直接下载 简体中文训练集，然后将其拷贝到我们的 tessdata 文件夹中： C:\Program Files (x86)\Tesseract-OCR\tessdata maven 引入 <dep...
  2020-01-09 02:09:32 | OCR