分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow

也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！

http://www.cnblogs.com/onlytiancai/archive/2008/05/11/1192780.html

1.TF-IDF

昨天給大家演示簡單的文字聚類，但要給每個聚類再提取一兩個關鍵詞用於表示該聚類。我們還是用TFIDF演算法來做，因為這是比較簡單的提取特徵演算法，不過這裡的TF是指某詞在本聚類內所有文章的詞頻，而不是本文章內出現的次數，IDF還是在所有文章裡出現的倒文件頻率。
原理：1、先給本聚類內的所有文件進行分詞，然後用一個字典儲存每個詞出現的次數
2、遍歷每個詞，得到每個詞在所有文件裡的IDF值，和在本聚類內出現的次數（TF）相乘的值
3、用一個字典(key是詞，value是TF*IDF權重)來儲存所有的詞資訊，然後按value對字典排序，最後取權重排名靠前的幾個詞作為關鍵詞。

2.基於語義的統計語言模型

文章關鍵詞提取基礎件能夠在全面把握文章的中心思想的基礎上，提取出若干個代表文章語義內容的詞彙或短語，相關結果可用於精化閱讀、語義查詢和快速匹配等。

採用基於語義的統計語言模型，所處理的文件不受行業領域限制，且能夠識別出最新出現的新詞語，所輸出的詞語可以配以權重。

文章關鍵詞提取元件的主要特色在於：
1、速度快：可以處理海量規模的網路文字資料，平均每小時處理至少50萬篇文件；
2、處理精準：Top N的分析結果往往能反映出該篇文章的主幹特徵；
3、精準排序：關鍵詞按照影響權重排序，可以輸出權重值；
4、開放式介面：文章關鍵詞提取元件作為TextParser的一部分，採用靈活的開發介面，可以方便地融入到使用者的業務系統中，可以支援各種作業系統，各類呼叫語言。

主要介面：
/*-----------------------------------------------------------------------
* 功能：初始化
* 引數：sLicenseCode - 授權碼
* 返回：true - 成功；false - 失敗
* 備註：在程序中此函式必須在其他函式之前呼叫（只需執行一次）
------------------------------------------------------------------------*/
KWEXTRACT_API bool KDT_Init(const char*sLicenseCode=0);

/*-----------------------------------------------------------------------
* 功能：分析文字內容
* 引數：sText - [IN] 文字內容（以'\0'結束的字串）
* nMaxCount - [IN] 最多抽取多少個關鍵詞
* bWeightFlag - [IN] 是否輸出權重
* 返回：特徵詞字串（以\t分隔，詞和權重間用空格分隔）；出錯返回空串
* 備註：在程序中此函式可以在特徵詞抽取之前執行多次
------------------------------------------------------------------------*/
KWEXTRACT_API const char* KDT_ParseContent(constchar *sText, int nMaxCount, bool bWeightFlag=false);

//退出，釋放資源；程序結束前須呼叫它釋放所佔用的記憶體資源
KWEXTRACT_API void KDT_Exit();

//獲得錯誤訊息
KWEXTRACT_API const char* KDT_GetLastErrMsg();

下載地址：

3.TF-IWF文件關鍵詞自動提取演算法

針對現有TF-IWF的領域文件關鍵詞快速提取演算法.該演算法使用簡單統計並考慮詞長、位置、詞性等啟發性知識計算詞權重,並通過文件淨化、領域詞典分詞等方法提高了關鍵詞提取的速度及準確度.對523篇學生心理健康領域文件的實驗結果表明,該演算法提取的文件關鍵詞質量優於TF-IDF方法,且能在O(n)時間內完成.

4.基於分離模型的中文關鍵詞提取演算法研究

5.基於高維聚類技術的中文關鍵詞提取演算法
關鍵詞提取是中文資訊處理技術的熱點和難點，基於統計資訊的方法是其中一個重要分支。本文針對基於統計資訊關鍵詞提取方法準確率低的問題，提出基於高維聚類技術的中文關鍵詞提取演算法。演算法通過依據小詞典的快速分詞、二次分詞、高維聚類及關鍵詞甄選四個步驟實現關鍵詞的提取。理論分析和實驗顯示，基於高維聚類技術的中文關鍵詞提取方法具備更好的穩定性、更高的效率及更準確的結果。 

6.基於語義的中文文字關鍵詞提取(SKE)演算法

為克服傳統關鍵詞提取演算法侷限於字面匹配、缺乏語義理解的缺點，提出一種基於語義的中文文字關鍵詞提取(SKE)演算法。將詞語語義特徵融入關鍵詞提取過程中，構建詞語語義相似度網路並利用居間度密度度量詞語語義關鍵度。實驗結果表明，與基於統計特徵的關鍵詞提取演算法相比，SKE演算法提取的關鍵詞能體現文件的主題，更符合人們的感知邏輯，且演算法效能較優。

7.基於樸素貝葉斯模型的中文關鍵詞提取演算法研究

提出了一種基於樸素貝葉斯模型的中文關鍵詞提取演算法。該演算法首先通過訓練過程獲得樸素貝葉斯模型中的各個引數，然後以之為基礎，在測試過程完成關鍵詞提取。實驗表明，相對於傳統的if*idf方法，該演算法可從小規模的文件集中提取出更為準確的關鍵詞，而且可靈活地增加表徵詞語重要性的特徵項，因而具有更好的可擴充套件性。

給我老師的人工智慧教程打call！http://blog.csdn.net/jiangjunshow