物語テキストから動画自動生成テストの技術的解説
これの技術解説をしたいと思います。まあ、中身は単純で １日ちょっとで作れた簡単なものなんですけどね。 ■テキストの準備 まず、元となるテキストを用意します。今回は、 青空文庫『桃太郎』楠山正雄作 http://www.aozora.gr.jp/cards/000329/files/18376_12100.html を、使用しました。 ■テキストの分割 次に、テキストを１文単位に分割します。この辺りは、 物語自動生成プログラム『ジェネジェネちゃん』の作り方 基礎編 http://blog.vrai.jp/article/455677889.html こちらと同じですね。 ■述語項構造解析 そして、その１文を、 日本語構文・格・照応解析システム KNP - 京都大学 黒橋・河原研究室 http://nlp.ist.i.kyoto-u.ac.jp/index.php?KNP を使って、述語項構造
サーバーワークス社員のツイート内容を感情分析して、ポジティブ王・ネガティブ王をランキングしてみた - サーバーワークスエンジニアブログ
はじめまして。2017年1月から中途入社しました、サービス開発課の佐々木（@bump_of_kiharu）です。 先日、中途入社歓迎会で自己紹介のLTをしましたが、自己紹介と共に、サーバーワークス社員のツイートを抽出して感情分析をした内容も併せてLTしました。そこで、感情分析でどのようなことを行ったのかを簡単に紹介したいと思います。 まずは自己紹介 感情分析までの手順 サーバーワークス社員のツイートを直近100件ずつ抽出し、ツイート内容を感情分析して、ポジティブな発言が多い人、ネガティブな発言が多い人が誰なのかをランキングにしてみました。具体的には以下のような手順で分析をしました。 Twitter APIを利用して、社員のツイートを100件ずつ抽出 MeCabを利用して、ツイート内容を形態素解析し品詞単位に分解 日本語評価極性辞書を利用して、形態素解析した結果を元に感情分析 感情指数を算出
形態素解析とNgramを併用したハイブリッド検索をSolrで実現する方法 - ZOZO TECH BLOG
こんにちは、バックエンドエンジニアの塩崎です。 今まではiQONの全文検索用のインデックスには形態素解析だけを用いていましたが、先日Ngramも併用することで検索を改善しました。 その結果、検索結果のヒット数が向上し、なおかつ検索ノイズの増加を軽微なものに抑えることができました。 この記事では、Ngramを併用することのメリット、およびそれをApache Solrで利用する方法について紹介します。 欲しい情報が見つからないとは そもそも、「検索したけど欲しい情報が見つからない状態」とはどのような状態でしょうか？ ここではその状態を以下の2つの状態に分解して考えてみます。 欲しい情報の数が少ない 1つ目の状態は「欲しい情報が検索結果中に少ない」状態です。 例えば、旅行情報サイトで「東京」と検索した時にDBの中には数千件のデータがあるのに検索結果数がわずか数件しかないような状態です。 欲しくな
形態素解析の過去・現在・未来
This document introduces deep reinforcement learning and provides some examples of its applications. It begins with backgrounds on the history of deep learning and reinforcement learning. It then explains the concepts of reinforcement learning, deep learning, and deep reinforcement learning. Some example applications are controlling building sway, optimizing smart grids, and autonomous vehicles. T
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GitHub - WorksApplications/Sudachi: A Japanese Tokenizer for Business
