很久没写技术型的日志了。再不续笔，思维就停滞了，这里以观察者为题写一些关于思维的东西。我不喜欢把大段大段的代码当做日志，本科忽悠导师的论文的写法自然无趣。
最近自己弄的一个小的代码，关于语义分析的。
与计算机图形处理的领域一样，计算机所能认识的无非就是两个人，一个叫“0” ，另一个叫“1”。无论是ascii编码的一字节字符，还是两字节编码的utf-8编码系统，计算机从来不会给予某些字特殊的待遇。
现在直奔需求：
计算机怎么判断某两句话是否含义相似。 我们以“近代历史上，中国的国父是谁？”和“请问，谁是中国近代史的国父”为例。计算机怎么判断这两句话事实上是同一句话（当然，don't try to find grammer errors）。
我们抛开计算机的迷雾不谈，先说说人类是怎么分析这两句话是否是相同的含义的。
首先，我们给这两句话分别断句，抽取出这两句话的词。第一句话的一种可能的抽取结果：“近代、历史、中国、国父、谁”。当然，这只是一种可能的抽取结果。换做别人肯能会有其他比较有趣的结果。同样第二句话的一种可能的抽取结果“请问、谁、中国、近代、历史、国父”。第二句话的抽取也有不同的方式，但是，第一句和第二句需要保持同样的抽取算法。
好，接下来用计算机化的术语来描述这个问题的解决方式：
我们将认为这两句话的抽取结果，也就是两句话的词存入数组中。得到数组
A：“近代、历史、中国、国父、谁”。
B： “请问、谁、中国、近代、历史、国父”。
剩下的就是模式与分类的一个简单分类方式 。这里我抛开置信区间与置信度这些太过概念性的术语不谈了。分别遍历数组A的成员，检查其在数组B中是否存在。如果数组A的成员全部存在于数组B，那么，A是B的一个子集--即A语义近似B。反过来，如果数组B的成员全部存在于数组A，那么，B是A的一个子集--即B语义近似A。
另外，在说说置信度的问题。
语义分析是很难用图像处理中的模式来描述的。我个人觉得不应该引入计算机图形处理中的置信度 的概念。举一个简单的例子来说：
“他很高” 与“他很不高”采用上面的处理流程就会出现“他、高”，“他、不、高”，如果说用统计学中的置信度来衡量这两句话的语义是否相近，很可能会给出“这两句话的语义近似度高达60%”之类的结果。
如果对词的抽取不懂的，请参考搜索引擎相关文章。
最近自己弄的一个小的代码，关于语义分析的。
与计算机图形处理的领域一样，计算机所能认识的无非就是两个人，一个叫“0” ，另一个叫“1”。无论是ascii编码的一字节字符，还是两字节编码的utf-8编码系统，计算机从来不会给予某些字特殊的待遇。
现在直奔需求：
计算机怎么判断某两句话是否含义相似。 我们以“近代历史上，中国的国父是谁？”和“请问，谁是中国近代史的国父”为例。计算机怎么判断这两句话事实上是同一句话（当然，don't try to find grammer errors）。
我们抛开计算机的迷雾不谈，先说说人类是怎么分析这两句话是否是相同的含义的。
首先，我们给这两句话分别断句，抽取出这两句话的词。第一句话的一种可能的抽取结果：“近代、历史、中国、国父、谁”。当然，这只是一种可能的抽取结果。换做别人肯能会有其他比较有趣的结果。同样第二句话的一种可能的抽取结果“请问、谁、中国、近代、历史、国父”。第二句话的抽取也有不同的方式，但是，第一句和第二句需要保持同样的抽取算法。
好，接下来用计算机化的术语来描述这个问题的解决方式：
我们将认为这两句话的抽取结果，也就是两句话的词存入数组中。得到数组
A：“近代、历史、中国、国父、谁”。
B： “请问、谁、中国、近代、历史、国父”。
剩下的就是模式与分类的一个简单分类方式 。这里我抛开置信区间与置信度这些太过概念性的术语不谈了。分别遍历数组A的成员，检查其在数组B中是否存在。如果数组A的成员全部存在于数组B，那么，A是B的一个子集--即A语义近似B。反过来，如果数组B的成员全部存在于数组A，那么，B是A的一个子集--即B语义近似A。
另外，在说说置信度的问题。
语义分析是很难用图像处理中的模式来描述的。我个人觉得不应该引入计算机图形处理中的置信度 的概念。举一个简单的例子来说：
“他很高” 与“他很不高”采用上面的处理流程就会出现“他、高”，“他、不、高”，如果说用统计学中的置信度来衡量这两句话的语义是否相近，很可能会给出“这两句话的语义近似度高达60%”之类的结果。
如果对词的抽取不懂的，请参考搜索引擎相关文章。