dushenzhi的专栏

估计有些读者看到这个题目的时候会觉得很数学，和自然语言处理没什么关系，不过如果你听说过最大熵模型、条件随机场，并且知道它们在自然语言处理中被广泛应用，甚至你明白其核心的参数训练算法中有一种叫LBFGS，那么本文就是对这类用于解无约束优化算法的Quasi-Newton Method的初步介绍。　　事实上，这个系列的作者是我的师兄jianzhu，他在中文分词、语言模型方面的研究很深入，如果大家对于

如果你只是想要简单的如何使用CRF++， 建议阅读 http://blog.youkuaiyun.com/Felomeng/article/details/4288492 。这里以一个具体的例子介绍CRF++的一些思想和代码的实现过程。就加入我们想利用CRF++来进行分词。一. 数据及其格式介绍Train.data中 F1 B-NP华 F2 I-NP人 F3 B-NP民 F4

我们知道，在情感挖掘中，主要有情感分类(Sentiment Classification)和情感抽取(Opinion Extraction)。对于文档情感分类，一般是构造特征向量来进行分类或是聚类。也有通过计算文档中词的情感分数来获取文档的情感极性，然而这种方法用的不多，效果也不佳。但是对于句子级别的情感挖掘，由于特征少，情感分类效果没有那么理想，而句子的情感往往是由句子中的几个情感词决定。因而获

1、到斯坦福官方网站http://nlp.stanford.edu/software/lex-parser.shtml下载软件包，解压。2、在eclipse中新建一个java project，把解压得到根目录下的stanford-parser.jar和stanford-parser-2.0.4-models.jar（不同版本文件名可能有差异）两个包导入项目到项目引用包中，然后把解压得到根目录下

观点挖掘与情感分析在近十年得到快速发展，研究也因为应用的需求从最初的情感分类[1,2]发展到现在的各种研究方向如情感对象抽取、情感极性判断、情感持有者抽取、情感主体抽取等[3]。因为产品评论中存在着重要的商业情报（如产品的哪些特征具有什么优缺点，消费者是否喜欢，和其他竞争品比较怎么样），对其进行观点挖掘很有意义。这显然不仅需要抽取观点极性，还需要确定观点的对象。这就涉及到细粒度情感挖掘。对于情感对

用stanford segmenter在命令行的方式下对一个文本文件的句子进行分词处理,其中输入文件为：preprocess-$1.txt，输出文件为：$1_seged.txt，命令如下所示：java -mx1g -cp seg.jar edu.stanford.nlp.ie.crf.CRFClassifier -sighanCorporaDict data -load