说完了Python中的__call__函数，我们继续来完善segment.py，首先将Pw函数删除： 继续阅读
Beautiful Data-统计语言模型的应用三：分词6
4条回复
月度归档：2010年03月
Moses最新版本发布
统计机器翻译开源工具Moses的主要负责人之一Hieu Hoang，也是Moses代码的最大贡献者在3月28日的邮件列表里发布了一个通知“Moses release”，除了告知最新的Moses源代码包的下载地址外，还列出了自上一次发布之后的12点改进，这些改进来自于Moses开源社区许许多多开发者的贡献。以下是Hieu Hoang的全文： 继续阅读
Beautiful Data-统计语言模型的应用三：分词5
上一节我们已经解读了Pdist类中的__init__函数，这一节重点关注一下Python类中的__call__函数。首先简单的回顾一下上一节提到的一段话：缺省的情况，对于未知的单词，其概率均为1/N，但是对于每一个实例，Pdist均提供一个函数重载这个缺省值。为了避免过长 的单词拥有过高的概率，我们从概率10/N出发，对于候选单词的每一个字母都除以10。 继续阅读
第十二届机器翻译峰会和NIST2009机器翻译评测研讨会简介2
继续转载《中文信息学报》09年第6期中科院计算所米海涛,赵红梅,刘群老师的《第十二届机器翻译峰会和NIST2009 机器翻译评测研讨会简介》，这一部分主要介绍的是NIST2009机器翻译评测研讨会。 继续阅读
Google's Python Class
自然语言处理和脚本语言的关系还是很密切的，我一直比较喜欢用Perl，不过因为NLTK的缘故，我学习了一下Python，也立即被Python的严谨所征服。印象《Learning Python》中提到了Perl和Python的一段八卦：Perl的发明者是语言学家，而Python的发明者则是数学科班出身，因此前者崇尚自由，而后者推崇严谨。大意如此，但是对于Perl和Python，我同样受用，该用哪个时就用哪个，没必要比较。 继续阅读
第十二届机器翻译峰会和NIST2009机器翻译评测研讨会简介1
本文选自《中文信息学报》09年第6期中科院计算所米海涛,赵红梅,刘群老师的《第十二届机器翻译峰会和NIST2009 机器翻译评测研讨会简介》，将分为两部分分别介绍第十二届机器翻译峰会和NIST2009机器翻译评测研讨会。 继续阅读
ACL-IJCNLP 2009 评述节选
晚上师弟传给我两篇《中文信息学报》09年第6期的文章：东芝(中国) 研究开发中心王海峰老师的《ACL-IJCNLP 2009 评述》以及中科院计算所米海涛,赵红梅,刘群老师的《第十二届机器翻译峰会和NIST2009 机器翻译评测研讨会简介》，读后感觉写得很不错，估计有些读者还未见到原文，计划在52nlp上分别节选一部分内容，分享一下这些与会专家的感受。 继续阅读
Beautiful Data-统计语言模型的应用三：分词4
对于Pw函数，这里稍微多做一点说。首先我们从一元语言模型的文件里读取单词及其计数，如果一个单词在语料库中出现，它的概率就是Count(word)/N，这里N是语料库的单词数目的规模。事实上，相对于使用完整的1千3百万单词（词型）的一元语言模型，Peter Norvig大牛对这个一元语言模型进行了简化：（a) 创建了一个更通用的词汇表，并且其中的单词是大小写不敏感（不区分）的，故“the”,”The”以及“THE”的计数是加在一起作为“the”的计数的；(b)只有由字母(letter)组合的单词才被计入其中，而对于其他包含数字或者标点的“单词”则被过滤，故“+170.002”以及“can’t”都不会被计入；(c)只列出其中最常用的1百万单词中的前1/3，也就是333333个单词。 继续阅读
Beautiful Data-统计语言模型的应用三：分词3
本节我们进入《Beautiful Data》中分词的编码阶段，完整的程序及数据大家可以在“Natural Language Corpus Data: Beautiful Data”上下载ngrams.zip，我这里主要做一些解读。程序由python实现，无论在Linux或者Windows平台下，只要安装了相应的python版本，程序均可以通过测试，不过我所使用的是python2.6，注意，在python3.0上会有一些问题。 继续阅读