stanford-nlp

    1热度

    1回答

    我在自然语言处理(NLP)新的,我想要做的部分词性标注(POS),然后就找内的特定结构文本。我可以用斯坦福NLP管理词性标注,但是,我不知道如何提取这种结构: NN/NNS + IN + DT + NN/NNS/NNP/NNPS public static void main(String args[]) throws Exception{ //input File Strin

    0热度

    1回答

    Dears。 我从https://nlp.stanford.edu/software/lex-parser.shtml#Download下载斯坦福分析器版本3.8.0。但是,我不知道如何在Microsoft Windows操作系统8.1上安装它。每当我点击一个文件,它就会显示“你想如何打开这种类型的文件?”,并且该消息要求我选择一个应用程序。在这方面,你能帮助我吗? 谢谢

    1热度

    1回答

    我是机器学习和NLP空间的新手。我的要求是将音频电话转换为文本进行感伤分析。 流量: - 1)音频文件 - >>正文(使用语音表彰API) 2)执行输出文本 的青涩分析由于具有强大的背景在Java上,想到使用Stanford CoreNLP。但是,如果它们具有比CoreNLP更好的优点,那么使用tensorflow或其他方法是可以的。 露出休息服务这需要文本(完整的会话)作为感伤分析的输入。使用C

    3热度

    1回答

    这是我第一次发布到Stack Overflow,所以请让我知道在未来提问时我应该更彻底。 目前我正在使用Java的Android虚拟助手应用程序,尽管目前进展顺利,但我不确定如何处理分类用户输入。到目前为止,我已经在程序中实现了Stanford NLP Parser,因此子句,短语和单词标签可以应用于原始文本。这使得我可以让程序识别直接问题并从中提取主题,只需搜索某些标签的出现即可。 (ROOT

    0热度

    1回答

    我目前使用NLP新增功能,并且需要关于如何解决此问题的指导。 我目前正在做一个过滤技术,我需要在数据库中将数据标记为正确或不正确。我得到了一个结构化的数据集,列和行。 但是,过滤条件是在一个文本文件中给我的。 一种过滤文本文件的例子可以是以下各项: Values in the column ID which are bigger than 99 Values in the column Cash

    0热度

    1回答

    我试图实现作为方面矿工基于消费者评论在亚马逊的耐用洗衣机,冰箱。这个想法是输出方面的情感极性而不是整个句子。例如:'食物很好,但服务很差'评论必须输出食物是积极的,服务是消极的。我阅读了Richard Socher关于细粒度情感分类器的RNTN模型的论文,但我想我需要手动为不同领域的词组标记情感并创建我自己的树库以获得更好的准确性。 这是我想到的另一种方法。是否有人可以通过您的反馈来验证/引导我

    0热度

    1回答

    我有一个要求,从给定的文本中检测公司名称。我已经训练了CRFClassifier,以及我的训练数据和宪报数据。在训练分类器后,当我使用测试数据时,要识别公司它没有正确检测。如果我给出了公司名称,这是培训数据的一部分,它能够识别,如果我给出公司名称是公报文件的一部分,它不能识别这些实体。你能帮助我吗?我可以如何进一步做出正确的方向来识别实体。 属性的文件,我使用的是这个样子的 trainFile =

    0热度

    1回答

    我已经实施了BBCNews数据集的手套模型以下代码https://github.com/hans/glove.py 我已经形成了单词间单个空格的单个文件的语料库。生成了词汇文件。请向我解释如何阅读?

    2热度

    1回答

    我已经安装了Python 3.6.0,NLTK 3.2.4,并下载了Stanford POS Tagger 3.8.0。 然后我试图运行下面的脚本: #!/usr/bin/env python3 from nltk.tag import StanfordPOSTagger st = StanfordPOSTagger('chinese-distsim.tagger') print(st

    1热度

    1回答

    我想在CoreNLP中使用nndep进行依赖关系解析。所以输入是一个简单的德语句子和输出应该是这样的: case(Schulen-3, An-1) amod(Schulen-3, Stuttgarter-2) nmod(gegrüßt-13, Schulen-3) aux(gegrüßt-13, darf-4) case(MitschülerInnen-7, wegen-5) amod(