• maven 打包成可执行的文件 jar
  业务背景 直接生成一个可执行的 jar，而不是一个麻烦的 war 包之类的。 maven 打包方式 配置 pom.xml <?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://w...
  2020-01-09 02:09:32 | Devops
• maven 打包报错 Return code is 501 , ReasonPhrase:HTTPS Required.
  报错场景 今天 maven 打包，报错如下： [ERROR] Failed to execute goal on project pinyin: Could not resolve dependencies for project com.github.houbb:pinyin:jar:0.0.2-SNAPS HOT: Failed to collect dependencies at ...
  2020-01-09 02:09:32 | Devops
• 如何解决分词的繁简体问题？
  分词的繁简体问题 分词是基本所有 nlp 的基础，那么分词中的繁简体如何解决？ 方案1-HMM预测 不依赖字典，直接根据繁题的字频预测。 优点：降低内存消耗 缺点：不知道 jieba 有没有对应的繁体字频统计。 而且我想在 HMM 服务降级的时候依然可以支持。 方案2-繁体字典预处理 基于 jieba-fenci + opencc4j 首先做一次预处理。 将所有的繁体词组处...
  2020-01-09 02:09:32 | Search
• 如何为 java 设计一款高性能的拼音转换工具 pinyin4j
  拼音转换工具 拼音转换工具的思路不难： （1）词语分词 （2）基于词库进行拼音的映射 （3）拼接最后的结果 可以认为主要下面的部分值得留意 准确性 作为拼音转换算法，准确性优先级应该是在性能之前的。 如果我们能保证高准确性，应该尽可能的去提高准确性。 词库来源 这里的词库，不包括分词的词库，仅仅指拼音的词库。 指拼音的词库，收集可以在各种优秀词库的基础上，不应该在收集上...
  2020-01-09 02:09:32 | Search
• pinyin4j 声母与韵母的基础知识
  汉语拼音是拼写汉民族标准语的拼音方案。 汉语拼音是以北京语音系统作为语音标准的。 北京音也是中国地域最辽阔、人口最多的北方方言的典型代表。 解释汉语拼音用法和标准的《汉语拼音方案》是中国拼音文字方案的国家标准，也是联合国规定用来拼写中国人名地名和专用词语的国际标准。 它是中华人民共和国法定的拼音方案，是世界文献工作中拼写有关中国的专用名词和词语的国际标准。 1958年2月11日，第...
  2020-01-09 02:09:32 | Search
• pinyin4j 之中文拼音的基础知识
  拼音声调 声调 拼音声调是指普通话中的声调，通常叫四声，即阴平（第一声），用“ˉ”表示，如lā；阳平第二声，用“ˊ”表示，如lá；上声（第三声），用“ˇ”表示，如lǎ；去声（第四声），用“ˋ”表示，如；là。 汉语中还存在着一种特殊声调，叫做轻声，有时也叫第五声，在汉语拼音中不标调。有些学者认为“第五声”的说法并不确切。轻声虽然能够起分辨语义的作用，但是通常不列入汉语“四声”之一，因为...
  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