2018.3.20

1.计算机处理自然语言原理

语言有自然语言和形式语言之分。很早之前，人类就开始研究计算机如何处理自然语言的问题。科学家们按照仿生学的思路，认为要让机器学会翻译或者语言识别，就必须像人学语言一样，先让计算机学会自然语言语法。但事实上，自然语言语法真的太多了，就拿中文来说，千变万化没办法穷尽，计算机根本没办法学习。所以这是不可能的。当然，人类的智慧是无穷的。后来发明了用统计学处理自然语言的方法，大大提高了语音识别的识别率和识别规模。这个方法的核心就是计算，基于“马尔科夫”假设（假定一个句子里每一个词出现的概率只和前一个词有关，就好比“涨停”这个词，最有可能出现在“股票”之后。那么，只要给计算机量足够大的机读文本，计算机就能算出来在一个特定词后面出现某个词的概率。这样，只要把一句话里所有的词出现的概率相乘，就是这个句子出现的概率了。概率最大的句子，就是我们需要的正确句子）。

马尔科夫模型

2.新闻分类原理

在新闻分类的工作中，面对海量的新闻信息量，并不全是由人工进行手动分类。对于新闻的分类，计算机能够帮上很大的忙。事实上，计算机并不需要去理解每篇新闻，只要找到同一类新闻的相似点就可以了。这需要用余弦定理来解决。

余弦定理

先把新闻里的文字变成一组可以计算的数字，再设计一个算法，这样就能让计算机通过余弦定理，来算出任意两篇新闻的相似度，从而确定新闻的分类。具体来说，词分为实词和虚词，之乎者也之类的虚词对于新闻的分类是没有什么益处的，就不考虑。而股票 利息等实词，对判断新闻分类很有帮助。我们要用这些实词计算出一则新闻的特征向量。只要给每一则新闻都计算出其独特的特征向量，再根据每一类新闻经常出现的词的特征，就可以判断出任意一条新闻的分类。

3.搜索引擎的基本数学原理

搜索引擎背后的基本数学原理：布尔运算。搜索引擎会把用户查询的语句，转换成布尔运算的算式，看看搜索关键词有没有出现在这个网页，1就代表出现，0就代表没出现。这样一来，所有的网页就会转化成一个个数字。最后只要把显示为1 的网页拿出来，就是你需要的搜索结果了。计算机做布尔运算的速度特别快，可以在很短的时间内搜索出大量网页。

这么一看，是不是特别简单？

至于拿出来的网页，会按照时间、热度等权重进行先后次序的展示。这里各家引擎的算法都不一样，比如百度，有钱就可以出现在第一条。