<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u010920224的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u010920224</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010920224]]></copyright><item><title><![CDATA[几个常见的语音交互平台的简介和比较]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/45021327</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/45021327</guid><author>u010920224</author><pubDate>Mon, 13 Apr 2015 09:00:43 +0800</pubDate><description><![CDATA[由于自己上次可能没写好，这次突然见到这个，就转载到这里。

转载：http://ibillxia.github.io/blog/2012/11/24/several-plantforms-on-audio-and-speech-signal-processing/

几个常见的语音交互平台的简介和比较

1.概述
最近做了两个与语音识别相关的项目，两个项目的主要任务虽然都是语音识别，]]></description><category></category></item><item><title><![CDATA[语音识别工具箱综述和产品介绍]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/45021313</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/45021313</guid><author>u010920224</author><pubDate>Mon, 13 Apr 2015 08:59:09 +0800</pubDate><description><![CDATA[今天是周末，想来想去，还是写一篇这样的博文吧。算是对语音识别这一段时间的总结，为后来的人融入铺好前面的路。这个只是工具箱的综述，不是语音识别的综述。希望您有所收获。

    目前，语音识别领域公开的开源的代码或者说工具箱有：sphinx，htk，julius，kaldi。也许也有其他的吧。下面我尽量一一介绍：

1.sphinx：这个是李开复的博士论文。后面不断的壮大，有了后来的版本。这]]></description><category></category></item><item><title><![CDATA[善假于物，利用工具2天开发一款完整新闻类iOS app]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/43406515</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/43406515</guid><author>u010920224</author><pubDate>Mon, 02 Feb 2015 11:49:25 +0800</pubDate><description><![CDATA[题外话：
此篇文章以一个iOS新手的角度解释一款新闻类iOS APP诞生的过程，详细介绍在这过程中碰到的问题和我的解决思路。欢迎大家指正。

菜单界面：



主界面：



详细页面：



关于我们页面：



初期的想法

具体项目背景跳过，我们着重看如何实现一款新闻类APP。

在开始项目计划前，我下载了大量的新闻类APP进行研究，不论是and]]></description><category></category></item><item><title><![CDATA[句法结构中的语义分析]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/42506503</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/42506503</guid><author>u010920224</author><pubDate>Wed, 07 Jan 2015 22:59:50 +0800</pubDate><description><![CDATA[句法结构中的语义分析
 
学习要点：掌握句法结构分析中运用语义关系、语义指向、语义特征三种语义分析方法，并且能够运用这些分析法解释一些常见的语言现象。
 
    句法结构是句法形式和语义内容的统一体。对句法结构不仅要做形式分析，如句法层次分析、句法关系分析、以及句型分析等，还要做种种语义分析。句法结构中的语义分析主要指语义关系、语义指向、语义特征三种分析法。
一、语义关系
    （]]></description><category></category></item><item><title><![CDATA[CRF知识汇总]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/42361131</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/42361131</guid><author>u010920224</author><pubDate>Sat, 03 Jan 2015 11:35:30 +0800</pubDate><description><![CDATA[转载来自：http://blog.youkuaiyun.com/forever1dreamsxx/article/details/8213309


原文地址：
http://blog.youkuaiyun.com/某某某的专栏todaylxp/article/details/4204038
 
 分词过程
CRF分词原理
1. CRF把分词过程看做字的词位分类问题，通常定义字的词位信息如下：
词首，常]]></description><category></category></item><item><title><![CDATA[Chinese corpus Training 參數的使用]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/42320807</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/42320807</guid><author>u010920224</author><pubDate>Thu, 01 Jan 2015 19:27:50 +0800</pubDate><description><![CDATA[转载来自:http://puremonkey2010.blogspot.tw/2012/08/stanford-parser-chinese-corpus-training.html


前言 :
stanford parser 是一個可進行短語結構和依存結構分析的parser，網絡上的資料很多，而且在stanford
 n​​lp 的網站上也有很多說明，代碼中的 readme 文件數的]]></description><category></category></item><item><title><![CDATA[从Nutch的输出日志分析其流程]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/37656189</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/37656189</guid><author>u010920224</author><pubDate>Thu, 10 Jul 2014 14:45:21 +0800</pubDate><description><![CDATA[一、简介

1. Nutch是一个基于Hadoop和Lucene的一个网络爬行器，用于收集网页信息。

2. 特点：基于Plugin机制以提高可扩展性；多协议和多线程分布式抓取；基于插件的内容分析机制；强大的抓取预处理控制；可扩展的数据处理模型(mapReduce)；全文索引器和搜索引擎(Lucene or Solor)，支持分布式查询；强大的API和集成配置。

 

二、一些必]]></description><category></category></item><item><title><![CDATA[社会化海量数据采集爬虫框架搭建]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/28287573</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/28287573</guid><author>u010920224</author><pubDate>Tue, 03 Jun 2014 19:54:55 +0800</pubDate><description><![CDATA[随着BIG DATA大数据概念逐渐升温，如何搭建一个能够采集海量数据的架构体系摆在大家眼前。如何能够做到所见即所得的无阻拦式采集、如何快速把不规则页面结构化并存储、如何满足越来越多的数据采集还要在有限时间内采集。这篇文章结合我们自身项目经验谈一下。

我们来看一下作为人是怎么获取网页数据的呢？
1、打开浏览器，输入网址url访问页面内容。
2、复制页面内容的标题、作者、内容。
3、存储到]]></description><category></category></item><item><title><![CDATA[维基百科简体中文语料的获取]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/27976031</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/27976031</guid><author>u010920224</author><pubDate>Sun, 01 Jun 2014 17:30:59 +0800</pubDate><description><![CDATA[最近做实验需要较大规模的中文语料，很自然的就想到使用维基百科的中文数据。
　　使用维基百科做训练语料有很多好处：

维基百科资源获取非常方便，有 Wiki Dump 可以直接下载，所有的最新备份都在里面。最近的一次备份是3月底，也就是5天前。相比之下，其他很多语料都需要用爬虫抓取，或者付费获得。维基百科的文档解析有非常多的成熟工具，直接使用开源工具即可完成正文的提取。维基百科的质量较高，而且]]></description><category></category></item><item><title><![CDATA[Deep Learning in NLP（一）]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/27975341</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/27975341</guid><author>u010920224</author><pubDate>Sun, 01 Jun 2014 17:18:55 +0800</pubDate><description><![CDATA[这篇博客是我看了半年的论文后，自己对 Deep Learning 在 NLP 领域中应用的理解和总结，在此分享。其中必然有局限性，欢迎各种交流，随便拍。
　　Deep Learning 算法已经在图像和音频领域取得了惊人的成果，但是在 NLP 领域中尚未见到如此激动人心的结果。关于这个原因，引一条我比较赞同的微博。

@王威廉：Steve Renals算了一下icassp录取文章题目中包含d]]></description><category></category></item><item><title><![CDATA[Google开源基于Deep Learning的word2vec工具]]></title><link>https://blog.youkuaiyun.com/u010920224/article/details/27839129</link><guid>https://blog.youkuaiyun.com/u010920224/article/details/27839129</guid><author>u010920224</author><pubDate>Sat, 31 May 2014 19:04:52 +0800</pubDate><description><![CDATA[谷歌已经使用Deep Learning技术开发了许多新方法来解析语言，目前，谷歌开源了一款基于Deep Learning的学习工具——word2vec，这是首款面向大众的Deep Learning学习工具。
word2vec（word to vector）顾名思义，这是一个将单词转换成向量形式的工具。通过转换，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本]]></description><category></category></item></channel></rss>