网商用户评论中错别字自动检测与纠正的研究及实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 课题来源 | 第13页 |
| 1.4 本文主要研究内容 | 第13-14页 |
| 1.5 本文结构安排 | 第14-16页 |
| 第2章 相关技术介绍 | 第16-26页 |
| 2.1 统计语言模型 | 第16-19页 |
| 2.1.1 N-gram语言模型 | 第16-17页 |
| 2.1.2 数据平滑技术 | 第17-19页 |
| 2.2 传统检测和纠正算法 | 第19-21页 |
| 2.2.1 纠错字典算法 | 第19页 |
| 2.2.2 编辑距离算法 | 第19-21页 |
| 2.2.3 基于统计的检错算法 | 第21页 |
| 2.3 词向量 | 第21-25页 |
| 2.3.1 词向量概述 | 第21-22页 |
| 2.3.2 词向量训练 | 第22-23页 |
| 2.3.3 词向量训练工具 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于词向量的错别字自动检测算法 | 第26-36页 |
| 3.1 问题描述 | 第26-27页 |
| 3.1.1 网商用户评论中错别字产生原因 | 第26-27页 |
| 3.1.2 现有检测算法的不足 | 第27页 |
| 3.2 算法框架 | 第27-29页 |
| 3.3 关联度计算 | 第29-34页 |
| 3.3.1 初始关联度计算 | 第29-31页 |
| 3.3.2 基于词向量的关联度计算 | 第31-34页 |
| 3.4 概率统计 | 第34-35页 |
| 3.5 疑似评论筛选 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于权重机制的错别字自动纠正算法 | 第36-48页 |
| 4.1 问题描述 | 第36-39页 |
| 4.1.1 错别字类型 | 第36-38页 |
| 4.1.2 现有纠错算法的不足 | 第38-39页 |
| 4.2 算法框架 | 第39页 |
| 4.3 疑似词合并 | 第39-41页 |
| 4.4 候选词生成 | 第41-44页 |
| 4.4.1 字音相似度计算 | 第41-43页 |
| 4.4.2 字形相似度计算 | 第43-44页 |
| 4.4.3 候选词合并 | 第44页 |
| 4.5 最佳候选词生成 | 第44-47页 |
| 4.5.1 候选词排序 | 第44-45页 |
| 4.5.2 候选词替换 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 错别字自动检测与纠正的实现 | 第48-68页 |
| 5.1 错别字自动检测与纠正整体设计 | 第48-49页 |
| 5.2 数据预处理 | 第49-54页 |
| 5.2.1 水军评论过滤 | 第49-52页 |
| 5.2.2 数据替换 | 第52-53页 |
| 5.2.3 分词 | 第53-54页 |
| 5.3 语言模型的训练 | 第54-55页 |
| 5.4 基于词向量的错别字自动检测算法的实现 | 第55-60页 |
| 5.4.1 关联度计算 | 第55-56页 |
| 5.4.2 概率计算 | 第56页 |
| 5.4.3 错别字检测 | 第56-57页 |
| 5.4.4 结果分析 | 第57-60页 |
| 5.5 基于权重机制的错别字自动纠正算法的实现 | 第60-66页 |
| 5.5.1 候选词生成 | 第60-62页 |
| 5.5.2 错别字纠正 | 第62-63页 |
| 5.5.3 结果分析 | 第63-66页 |
| 5.6 本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间所获得的学术成果 | 第74-76页 |
| 致谢 | 第76页 |
