搜索资源列表
BOCH.rar
- 一个用LISP语言编写的语法分析器。使用Bottom-up Chart Parsing算法，程序非常的简单高效，只有二百多行。另外可以自己定义文法和字典。 源代码公开，主要供对语法分析算法和LISP编程感兴趣的人学习使用，也可以使用在自然语言处理的各种实际研究当中。
englishparsing_src
- 英语句子自然语言处理统计分析例子 Statistical parsing of English sentences Shows how to generate parse trees for English language sentences using a C# port of OpenNLP, a statistical natural language parsing library.-English sentence natural language processing
STRAIGHT语音分析与合成技术
- 近几年来，在自然语言处理、信号处理、随机过程处理等方法的推动下，语音分析与合成技术获得了很大的发展，突破了传统的单纯语音计算算法的研究。情感语音分析与合成的研究，适应了语音技术的未来发展趋势,由于它能够很好的将语音的口语分析、情感分析与计算机技术有机的融合，为实现以人为本，具有个性化特征的语音合成系统，奠定基础。-STRAIGHT[1] is a high-quality speech analysis, modification and synthesis system based on a
BOCH
- 一个用LISP语言编写的语法分析器。使用Bottom-up Chart Parsing算法，程序非常的简单高效，只有二百多行。另外可以自己定义文法和字典。 源代码公开，主要供对语法分析算法和LISP编程感兴趣的人学习使用，也可以使用在自然语言处理的各种实际研究当中。-A language with LISP parser. The use of Bottom-up Chart Parsing algorithm, the procedure very simple and efficient,
lingpipe-3.6.0
- 一个自然语言处理的Java开源工具包。LingPipe目前已有很丰富的功能，包括主题分类（Top Classification）、命名实体识别（Named Entity Recognition）、词性标注（Part-of Speech Tagging）、句题检测（Sentence Detection）、查询拼写检查（Query Spell Checking）、兴趣短语检测（Interseting Phrase Detection）、聚类（Clustering）、字符语言建模（Character
LexicalAnalysis
- 自然语言处理中的词法分析程序，有详细说明，可独立运行。-Natural language processing in the lexical analysis process, there is a detailed descr iption can be run independently.
searchDocument
- 搜索引擎是随着WEB信息的迅速增加， 从1 995年开 始逐渐发展起来的技术， 即提供信息检索服务的计算机系 统。检索的对象包括互联网上的站点、新闻组中的文章、 科技文献资料、软件存放的地址及作者、某个企业和个人 的主页等。搜索引擎的性能主要取决于索引数据库的容 量、存放内容、更新和搜索速度，是否易用等。搜索引擎 是以传统信息检索技术为基础，利用其索引模型、匹配策 略等方面的技术成果并针对Web资源的特点发展起来的信 息检索技术，涉及多领域的理论和技术：数据库、信
RLSI
- RLSI算法实现源代码，RLSI 是一个可以并发执行的、能够高效的应对大规模数据集的算法。用于发现document中的topic model,在web 搜索、机器学习、自然语言分析等领域都有重要意义。-RLSI algorithm source code, RLSI is one that can execute concurrently, and can efficiently deal with large data sets algorithms. For discovery docume
AI
- 这是人工智能自然语言分析的基础，中文分词实现代码，适合于人工智能的初学者-This is the basis of analysis of the natural language of artificial intelligence, Chinese word segmentation implementation code, suitable for beginners of artificial intelligence
word2vec
- word2vec 实现词向量生成，用于自然语言分析，数据挖掘，人工智能等-word2vec achieve word vector generation for natural language analysis, data mining and artificial intelligence. . . . .
fnlp-master
- 自然语言分析 1、分词 2、中文对比 3、很不错的分析工具-efaejkj lafjlkdjalkjkljr lkfajkdja d
parsing
- 句法分析（syntactic parsing）的任务就是识别句子的句法结构（syntactic structure）。在自然语言处理领域，句法分析的目标是实现高正确率、高鲁棒性、高速度的自动句法分析过程。 但是该问题的困难在于自然语言中存在大量的结构歧义（structural ambuguity）。例如：I saw a boy in the park.这句话有两种可能的句法分析方法：1、[I saw a boy] in the park.2、I saw a [boy in the park].语
[WHUPT].Python自然语言分析
- python自然语言分析 种子 0基础学python(python data processing)
统计自然语言处理-刘挺
- 机器学习实战，主要关于推荐系统，聚类分析，使用语言为python(maching learning in action)
用Python进行自然语言处理(中文)
- 本书提供了非常易学的自然语言处理入门介绍，该领域涵盖从文本和电子邮件预测过滤，到自动总结和翻译等多种语言处理技术。在本书中，你将学会编写Python程序处理大量非结构化文本。你还将通过使用综合语言数据结构访问含有丰富注释的数据集，理解用于分析书面通信内容和结构的主要算法。(This book provides a very easy to learn introduction to Natural Language Processing, which covers a variety of la
弹幕情感分析
- 对哔哩哔哩弹幕进行抽取并完成情感倾向的分析和估计(To extract bilibili barrage and complete the analysis and estimation of emotional tendency)
国外教育人工智能研究主题及趋势分析
- 基于对 Web of Science文献关键词的可视化分析，梳理并呈现了国外教育人工智能的研究主题和研究趋 势。研究发现：首先，目前国外教育人工智能的研究现状可概括为四个主题领域，分别为基于自然语言处理的 教育智能研究、知识管理与运算的可视化研究、机器教学的应用案例研究以及指向深度学习的自适应教育技术 研究；其次，国外教育人工智能研究呈现以下三个趋势：基于大数据的机器学习研究、深度学习理念引领下的 在线学习变革研究、智能识别技术支撑下的智能导师系统研究。
自然语言处理课程设计代码
- 一、宋词词频统计：语料库：ci.txt 要求：编程序，输入ci，自动分析统计ci.txt，统计宋词的单字词，双字词等。统计后，输出的是单字词和双字词的词典文件。文件中包括相应的词和频度（次数）。 二：宋词自动生成：语料库：ci.txt 要求：输入词牌，基于宋词的词典和宋词的词牌，可以随机或者按照语言模型，自动生成宋词。设计相应的Ui或者Web界面。 四、中文词法分析系统：语料库：1998-01-2003版-带音.txt 要求：根据构建的单词词典和双词词典，用n-gram模型，或者前向最
合工大自然语言处理报告代码
- 四、中文词法分析系统 1、实验要求 语料库：1998-01-2003版-带音.txt 要求：根据构建的单词词典和双词词典，用n-gram模型，或者前向最长匹配，或者后向最长匹配等算法，鼓励用更复杂一些的方法来进行，包括隐马尔科夫模型和条件随机场模型。 二、宋词自动生成 1、实验要求 语料库：ci.txt 要求：输入词牌，基于宋词的词典和宋词的词牌，可以随机或者按照语言模型，自动生成宋词。设计相应的Ui或者Web界面。 实现了隐马尔科夫模型分词
Sentiment Analysis1
- 读取csv或xlsx文件后对文本信息进行NLP情感分析并计算出情感的得分，越接近1越积极，越接近-1越消极(After reading the CSV or xlsx file, NLP sentiment analysis is performed on the text information and the score of sentiment is calculated. The closer to 1, the more positive, the more close to - 1,