精华内容
下载资源
问答
  • 2020-07-09 15:12:39

    文本分词、词性标注和命名实体识别都是自然语言处理领域里面很基础的任务,他们的精度决定了下游任务的精度,今天在查资料的时候无意间发现了一个很好玩的开源项目,具体查了一下才知道这是百度开源的一个主要用于词性标注和命名实体识别的项目,决定拿来尝试一下。
    首先是项目环境的配置安装,当前已经支持一键式安装了,具体命令如下所示:
    python -m pip install LAC
    简单进行一下安装验证,成功截图如下所示:
    接下来就可以进行使用了,官方GitHub地址在这里。官方给出来的一些讲解如下所示:
    工具介绍
    LAC全称Lexical Analysis of Chinese,是百度自然语言处理部研发的一款联合的词法分析工具,实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势:

    效果好:通过深度学习模型联合学习分词、词性标注、专名识别任务,整体效果F1值超过0.91,词性标注F1值超过0.94,专名识别F1值超过0.85,效果业内领先。
    效率高:精简模型参数,结合Paddle预测库的性能优化,CPU单线程性能达800QPS,效率业内领先。
    可定制:实现简单可控的干预机制,精准匹配用户词典对模型进行干预。词典支持长片段形式,使得干预更为精准。
    调用便捷:支持一键安装,同时提供了Python、Java和C++调用接口与调用示例,实现快速调用和集成。
    支持移动端: 定制超轻量级模型,体积仅为2M,主流千元手机单线程性能达200QPS,满足大多数移动端应用的需求,同等体积量级效果业内领先。
    安装与使用
    在此我们主要介绍Python安装与使用,其他语言使用:

    C++
    JAVA
    Android
    安装说明
    代码兼容Python2/3

    全自动安装: pip install lac

    半自动下载:先下载http://pypi.python.org/pypi/lac/,解压后运行 python setup.py install

    安装完成后可在命令行输入lac或lac --segonly启动服务,进行快速体验

    国内网络可使用百度源安装,安装速率更快:pip install lac -i https://mirror.baidu.com/pypi/simple

    功能与使用
    分词
    代码示例:

    from LAC import LAC
    

    装载分词模型

    lac = LAC(mode='seg')
    

    单个样本输入,输入为Unicode编码的字符串

    text = u"LAC是个优秀的分词工具"
    seg_result = lac.run(text)
    

    批量样本输入, 输入为多个句子组成的list,平均速率会更快

    texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
    seg_result = lac.run(texts)
    

    输出:
    【单样本】:seg_result = [LAC, 是, 个, 优秀, 的, 分词, 工具]
    【批量样本】:seg_result = [[LAC, 是, 个, 优秀, 的, 分词, 工具], [百度, 是, 一家, 高科技, 公司]]
    词性标注与实体识别
    代码示例:
    from LAC import LAC

    装载LAC模型

    lac = LAC(mode=‘lac’)

    单个样本输入,输入为Unicode编码的字符串

    text = u"LAC是个优秀的分词工具"
    lac_result = lac.run(text)

    批量样本输入, 输入为多个句子组成的list,平均速率更快

    texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
    lac_result = lac.run(texts)
    输出:
    每个句子的输出其切词结果word_list以及对每个单词的标注tags_list,其格式为(word_list, tags_list)

    【单样本】: lac_result = ([百度, 是, 一家, 高科技, 公司], [ORG, v, m, n, n])
    【批量样本】:lac_result = [
    ([百度, 是, 一家, 高科技, 公司], [ORG, v, m, n, n]),
    ([LAC, 是, 个, 优秀, 的, 分词, 工具], [nz, v, q, a, u, n, n])
    ]
    词性和专名类别标签集合如下表,其中我们将最常用的4个专名类别标记为大写的形式:

    标签 含义 标签 含义 标签 含义 标签 含义
    n 普通名词 f 方位名词 s 处所名词 nw 作品名
    nz 其他专名 v 普通动词 vd 动副词 vn 名动词
    a 形容词 ad 副形词 an 名形词 d 副词
    m 数量词 q 量词 r 代词 p 介词
    c 连词 u 助词 xc 其他虚词 w 标点符号
    PER 人名 LOC 地名 ORG 机构名 TIME 时间
    定制化功能
    在模型输出的基础上,LAC还支持用户配置定制化的切分结果和专名类型输出。当模型预测匹配到词典的中的item时,会用定制化的结果替代原有结果。为了实现更加精确的匹配,我们支持以由多个单词组成的长片段作为一个item。

    我们通过装载词典文件的形式实现该功能,词典文件每行表示一个定制化的item,由一个单词或多个连续的单词组成,每个单词后使用’/‘表示标签,如果没有’/'标签则会使用模型默认的标签。每个item单词数越多,干预效果会越精准。

    词典文件示例

    这里仅作为示例,展现各种需求情况下的结果。后续还将开放以通配符配置词典的模式,敬请期待。

    春天/SEASON
    花/n 开/v
    秋天的风
    落 阳
    代码示例
    from LAC import LAC
    lac = LAC()

    装载干预词典

    lac.load_customization(‘custom.txt’)

    干预后结果

    custom_result = lac.run(u"春天的花开秋天的风以及冬天的落阳")
    以输入“春天的花开秋天的风以及冬天的落阳”为例,原本输出结果为:
    春天/TIME 的/u 花开/v 秋天/TIME 的/u 风/n 以及/c 冬天/TIME 的/u 落阳/n
    添加示例中的词典文件后的结果为:
    春天/SEASON 的/u 花/n 开/v 秋天的风/n 以及/c 冬天/TIME 的/u 落/n 阳/n
    增量训练
    我们也提供了增量训练的接口,用户可以使用自己的数据,进行增量训练,首先需要将数据转换为模型输入的格式,并且所有数据文件均为"UTF-8"编码:

    1. 分词训练
      数据样例

    与大多数开源分词数据集格式一致,使用空格作为单词切分标记,如下所示:

    LAC 是 个 优秀 的 分词 工具 。
    百度 是 一家 高科技 公司 。
    春天 的 花开 秋天 的 风 以及 冬天 的 落阳 。
    代码示例
    from LAC import LAC

    选择使用分词模型

    lac = LAC(mode = ‘seg’)

    训练和测试数据集,格式一致

    train_file = "./data/seg_train.tsv"
    test_file = "./data/seg_test.tsv"
    lac.train(model_save_dir='./my_seg_model/',train_data=train_file, test_data=test_file)
    

    使用自己训练好的模型

    my_lac = LAC(model_path=‘my_seg_model’)
    2. 词法分析训练
    样例数据

    在分词数据的基础上,每个单词以“/type”的形式标记其词性或实体类别。值得注意的是,词法分析的训练目前仅支持标签体系与我们一致的数据。后续也会开放支持新的标签体系,敬请期待。

    LAC/nz 是/v 个/q 优秀/a 的/u 分词/n 工具/n 。/w
    百度/ORG 是/v 一家/m 高科技/n 公司/n 。/w
    春天/TIME 的/u 花开/v 秋天/TIME 的/u 风/n 以及/c 冬天/TIME 的/u 落阳/n 。/w
    代码示例
    from LAC import LAC

    选择使用默认的词法分析模型

    lac = LAC()

    训练和测试数据集,格式一致

    train_file = "./data/lac_train.tsv"
    test_file = "./data/lac_test.tsv"
    lac.train(model_save_dir='./my_lac_model/',train_data=train_file, test_data=test_file)
    

    使用自己训练好的模型

    my_lac = LAC(model_path=‘my_lac_model’)
    接下来,我们基于自己的数据集来编写一些有意思的功能,其实在做命名实体识别的时候我突然想到,这个模块可以代替人工自动生成有标注的数据集用于NER模型的训练,当然了这里自动生成的数据集可能是不准确的,大致是准确的,主要是想节省人工标注的成本。
    首先是加载本地数据集,代码实现如下所示:
    def loadData(data=‘toutiao_news_dataset.txt’):
    ‘’’
    加载本地数据集

    '''
    with open(data,encoding='utf-8') as f:
        data_list=[one.strip().split('#') for one in f.readlines() if one.strip()]
    print('data_list_length: ',len(data_list))
    for i in range(10):
        print('index: '+str(i)+', content: '+data_list[i][-1])
    return data_list
    
        数据集样例数据如下所示:
    

    房产#。。。。。。。。。。。。。。。。。。。。。
    房产#。。。。。。。。。。。。。。。。。。。。。
    房产#。。。。。。。。。。。。。。。。。。。。。
    汽车#。。。。。。。。。。。。。。。。。。。。。
    汽车#。。。。。。。。。。。。。。。。。。。。。
    汽车#。。。。。。。。。。。。。。。。。。。。。
    由于官方审核限制,这里的数据集内容替换成了省略号。
    接下来我们随机挑选数据集进行命名实体识别,代码实现如下所示:
    def NERModel(data_list):
    ‘’’
    词性标注与命名实体识别
    结果实例:
    [[‘京城’, ‘最’, ‘值得’, ‘你’, ‘来’, ‘场’, ‘文化’, ‘之’, ‘旅’, ‘的’, ‘博物馆’], [‘nz’, ‘d’, ‘v’, ‘r’, ‘v’, ‘q’, ‘n’, ‘u’, ‘n’, ‘u’, ‘n’]]
    ‘’’

    lac = LAC(mode='lac')
    texts = [one[-1] for one in data_list]
    lac_result = lac.run(texts)
    for i in range(10):
        print('index: ',str(i),', lac_result: ',lac_result[i])
        words, tags = lac_result[i]
        print(u" ".join(u"%s/%s" % (word, tag) for word, tag in zip(words, tags)))
        print('====================================================================')
    
     结果如下所示:
    

    data_list_length: 382688
    index: 0, content: 京城最值得你来场文化之旅的博物馆
    index: 1, content: 发酵床的垫料种类有哪些?哪种更好?
    index: 2, content: 上联:黄山黄河黄皮肤黄土高原。怎么对下联?
    index: 3, content: 林徽因什么理由拒绝了徐志摩而选择梁思成为终身伴侣?
    index: 4, content: 黄杨木是什么树?
    index: 5, content: 上联:草根登上星光道,怎么对下联?
    index: 6, content: 什么是超写实绘画?
    index: 7, content: 松涛听雨莺婉转,下联?
    index: 8, content: 上联:老子骑牛读书,下联怎么对?
    index: 9, content: 上联:山水醉人何须酒。如何对下联?
    index: 0 , lac_result: [[‘京城’, ‘最’, ‘值得’, ‘你’, ‘来’, ‘场’, ‘文化’, ‘之’,
    ‘旅’, ‘的’, ‘博物馆’], [‘nz’, ‘d’, ‘v’, ‘r’, ‘v’, ‘q’, ‘n’, ‘u’, ‘n’, ‘u’, ‘n’]

    ]
    京城/nz 最/d 值得/v 你/r 来/v 场/q 文化/n 之/u 旅/n 的/u 博物馆/n
    ====================================================================
    index:  1 , lac_result:  [['发酵床', '的', '垫料', '种类', '有', '哪些', '?', '
    哪', '', '更好', ''], ['nz', 'u', 'n', 'n', 'v', 'r', 'w', 'r', 'q', 'a', 'w
    ']]
    发酵床/nz 的/u 垫料/n 种类/n 有/v 哪些/r ?/w 哪/r 种/q 更好/a ?/w
    ====================================================================
    index:  2 , lac_result:  [['上联', ':', '黄山', '黄河', '黄', '皮肤', '黄土高原
    ', '', '怎么', '', '下联', ''], ['n', 'w', 'LOC', 'LOC', 'a', 'n', 'LOC',
    'w', 'r', 'p', 'n', 'w']]
    上联/n :/w 黄山/LOC 黄河/LOC 黄/a 皮肤/n 黄土高原/LOC 。/w 怎么/r 对/p 下联/n
    ?/w
    ====================================================================
    index:  3 , lac_result:  [['林徽因', '什么', '理由', '拒绝', '了', '徐志摩', '而
    ', '选择', '梁思', '成为', '终身伴侣', ''], ['PER', 'r', 'n', 'v', 'u', 'PER',
     'c', 'v', 'PER', 'v', 'n', 'w']]
    林徽因/PER 什么/r 理由/n 拒绝/v 了/u 徐志摩/PER 而/c 选择/v 梁思/PER 成为/v 终身
    伴侣/n ?/w
    ====================================================================
    index:  4 , lac_result:  [['黄杨木', '是', '什么', '树', '?'], ['n', 'v', 'r',
    'n', 'w']]
    黄杨木/n 是/v 什么/r 树/n ?/w
    ====================================================================
    index:  5 , lac_result:  [['上联', ':', '草根', '登上', '星光', '道', ',', '怎
    么', '', '下联', ''], ['n', 'w', 'n', 'v', 'n', 'v', 'w', 'r', 'p', 'n', 'w'
    ]]
    上联/n :/w 草根/n 登上/v 星光/n 道/v ,/w 怎么/r 对/p 下联/n ?/w
    ====================================================================
    index:  6 , lac_result:  [['什么', '是', '超', '写实', '绘画', '?'], ['r', 'v',
     'vd', 'v', 'n', 'w']]
    什么/r 是/v 超/vd 写实/v 绘画/n ?/w
    ====================================================================
    index:  7 , lac_result:  [['松涛听雨莺', '婉转', ',', '下联', '?'], ['nz', 'a'
    , 'w', 'n', 'w']]
    松涛听雨莺/nz 婉转/a ,/w 下联/n ?/w
    ====================================================================
    index:  8 , lac_result:  [['上联', ':', '老子', '骑', '牛', '读书', ',', '下联
    ', '怎么', '', ''], ['n', 'w', 'n', 'v', 'n', 'v', 'w', 'n', 'r', 'p', 'w']]
     
    上联/n :/w 老子/n 骑/v 牛/n 读书/v ,/w 下联/n 怎么/r 对/p ?/w
    ====================================================================
    index:  9 , lac_result:  [['上联', ':', '山水醉人', '何须', '酒', '。', '如何',
     '对', '下联', '?'], ['n', 'w', 'n', 'v', 'n', 'w', 'r', 'p', 'n', 'w']]
    上联/n :/w 山水醉人/n 何须/v 酒/n 。/w 如何/r 对/p 下联/n ?/w
    

    ====================================================================
    这里我们发现了一处很明显的错误:
    梁思成,我们都知道是一个人名,这里被拆分开了,也就是识别错误了,我们可以自定义实体字典来解决这二个问题,代码实现如下所示:
    def NERModel(data_list):
    ‘’’
    词性标注与命名实体识别
    结果实例:
    [[‘京城’, ‘最’, ‘值得’, ‘你’, ‘来’, ‘场’, ‘文化’, ‘之’, ‘旅’, ‘的’, ‘博物馆’], [‘nz’, ‘d’, ‘v’, ‘r’, ‘v’, ‘q’, ‘n’, ‘u’, ‘n’, ‘u’, ‘n’]]
    ‘’’

    lac = LAC(mode='lac')
    lac.load_customization('mydict.txt')
    texts = [one[-1] for one in data_list]
    lac_result = lac.run(texts)
    for i in range(10):
        print('index: ',str(i),', lac_result: ',lac_result[i])
        words, tags = lac_result[i]
        print(u" ".join(u"%s/%s" % (word, tag) for word, tag in zip(words, tags)))
        print('====================================================================')
    
      这里mydict.txt内容如下所示:
    

    接下来我们再来看下执行结果:
    可以看到:梁思成这个名字已经正确识别出来了。
    接下来我们实践一下分词功能,代码实现如下所示:
    def cutModel(data_list):
    ‘’’
    分词
    结果实例:
    [‘京城’, ‘最’, ‘值得’, ‘你’, ‘来’, ‘场’, ‘文化’, ‘之’,‘旅’, ‘的’, ‘博物馆’]
    ‘’’

       lac = LAC(mode = 'seg')
        texts = [one[-1] for one in data_list]
        lac_result = lac.run(texts)
        for i in range(10):
            print('index: ',str(i),', lac_result: ',lac_result[i])
    
    测试结果输出如下所示:
       整体来说,安装配置和使用实践都很简单,后面会结合命名实体识别任务来构建自动数据集。
    
    更多相关内容
  •  3)当配电变压器接有功率因数补偿电容时,或有晶闸管(SCR)整流装置时,对6脉冲整流器,电抗器LAC安装与否的比较,见图3。LAC电抗值的大小与各次谐波电流的关系见图1。  从图1可见LAc对抑制5~19次谐波效果很...
  • SMAC LAC-1 DATASHEET SMAC LAC-1 数据手册pdf文档 LAC-1电缸驱动器手册
  • DCS-LAC 可玩飞机的后期激活脚本 使使用标志启用和禁用可玩飞机成为可能 如果禁用了飞机,则如果未设置指定的单位,则会向用户显示一条消息,并在10秒后将飞机摧毁。 要进行设置,请在任务开始时将此脚本作为DO ...
  • 资源来自pypi官网。 资源全名:LAC-2.0.5.tar.gz
  • L2TP LAC and LNS-开源

    2021-05-02 10:48:57
    这个项目的重点是为Linux和其他Unix提供商业质量的L2TP支持。 L2TP代表第2层隧道协议。 这是一个类似于PPTP的VPN。 L2TP经常与PPPoE竞争。
  • 芒果炭疽病菌漆酶基因Lac2的克隆及在侵染过程的表达分析,刘晓妹,韦运谢,为了探明芒果炭疽菌(Colletotrichum gloeosporioides)漆酶同工酶基因的序列特征,进一步研究胶孢炭疽菌的分子致病机理。本研究以该菌基因
  • 采用溶剂热的方法合成纯手性金属有机骨架[Zn2( bdc) ( L lac) ( dmf) ]・(DMF) ( Zn BLD)化合物。研究合成温度、合成时间和合成液浓度对生成Zn BLD晶体的产量和晶相结构的影响。结果表明:110℃为最佳合成温度;溶剂热...
  • 2010年是TD-SCDMA网络优化年,运营商全面网络优化和专项网络优化工作都在如火如荼地开展,尤其是在2/3G互操作专项优化方面,成果尤为显著。
  • aws-cloudformation 学习能力
  • 这是用Java编写的基本Lac Operon“计算器”。 操纵子代表一组由启动子调控的基因。 大肠杆菌通过反馈回路使用“乳糖操纵子”来调节乳糖酶机制。 该计算器将允许用户为lac操纵子中的各种基因和结构输入“野生型”或...
  • FASCIA是一个开源软件,用于收集,汇总和存储IMSI和相关信息,例如MCC,MNC,LAC和CellID(或其他元信息)。 目标是以标准格式从(IMSI捕获器或从移动网络(例如GSM-R,GSM480,GSM850 GSM900,DCS1800,PCS1900)...
  • Frac_Lac.jar_Fraclac_源码

    2021-10-02 02:16:26
    基于java平台的运算,fiji插件,快速方便,苹果电脑mac最新版本。
  • 这份文档主要分析了河南省LA位置区的寻呼性能——寻呼成功率及承载能力,并针对问题LAC提出了规划调整方案。寻呼性能分析主要评估了河南省现网69个LA位置区的寻呼成功率及寻呼负荷,同时给出一些BTS寻呼容量及负荷的...
  • 海洋来源漆酶Lac21盐依赖的结构机制的初步研究,陈宇婷,方泽民,海洋来源漆酶因其耐盐甚至受盐促活而有独特的应用潜力,但其盐依赖性机制尚待阐明。在本研究中,我们利用圆二色、内在荧光和动态
  • 中文分词(Word Segmentation)是将连续的自然语言文本,切分出具有语义合理性和完整性的词汇序列的过程。因为在汉语中,词是承担语义的最基本单位,切词是文本分类、情感分析、信息检索等众多自然语言处理任务的基础...
  • Python LAC使用

    2022-03-31 14:11:33
    使用lac分词 1、需求 目前有一系列带有人名、机构的信息,需要将人名和机构名剥离梳理。python lac库可以实现精准定位分词。 2、参考文档 安装lac前的一些依赖关系解决,需要python版本3.7 ...

    使用lac分词

    1、需求

    目前有一系列带有人名、机构的信息,需要将人名和机构名剥离梳理。python lac库可以实现精准定位分词。

    2、参考文档

    安装lac前的一些依赖关系解决,需要python版本3.7

    https://www.freesion.com/article/4512610119/书签:成功解决问题:ModuleNotFoundError: No module named 'paddle'或者 No module named 'paddle.fluid' - 灰信网(软件开发博客聚合)

    github lac项目文档

    https://github.com/baidu/lac书签:GitHub - baidu/lac: 百度NLP:分词,词性标注,命名实体识别,词重要性

    3、安装LAC

    直接安装lac会出现报错,且该报错的setup.py文件无法找到,想通过修改字符集去解决无法实现

    先安装lac需要的依赖环境,这里使用3.10版本python直接报错版本问题

    .\pip.exe install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple
    .\pip.exe install paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple
    Batch

    降低python版本为3.7,重新尝试安装,这里会报出很多缺少module的错误,依次安装就行

    总结一下安装需要的依赖环境包含:

    common、dual、tight 、data、prox、paddle、paddlepaddle。最后安装LAC即可正常安装

    4、LAC说明

    参考GitHub项目文档:行内引用

    LAC全称Lexical Analysis of Chinese,是百度自然语言处理部研发的一款联合的词法分析工具,实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势:

    • 效果好:通过深度学习模型联合学习分词、词性标注、专名识别任务,词语重要性,整体效果F1值超过0.91,词性标注F1值超过0.94,专名识别F1值超过0.85,效果业内领先。
    • 效率高:精简模型参数,结合Paddle预测库的性能优化,CPU单线程性能达800QPS,效率业内领先。
    • 可定制:实现简单可控的干预机制,精准匹配用户词典对模型进行干预。词典支持长片段形式,使得干预更为精准。(在模型输出的基础上,LAC还支持用户配置定制化的切分结果和专名类型输出。当模型预测匹配到词典的中的item时,会用定制化的结果替代原有结果。为了实现更加精确的匹配,我们支持以由多个单词组成的长片段作为一个item。通过装载词典文件的形式实现该功能,词典文件每行表示一个定制化的item,由一个单词或多个连续的单词组成,每个单词后使用'/'表示标签,如果没有'/'标签则会使用模型默认的标签。每个item单词数越多,干预效果会越精准。)
    • 调用便捷支持一键安装,同时提供了Python、Java和C++调用接口与调用示例,实现快速调用和集成。
    • 支持移动端: 定制超轻量级模型,体积仅为2M,主流千元手机单线程性能达200QPS,满足大多数移动端应用的需求,同等体积量级效果业内领先。

    词性和专名类别标签集合如下表,其中我们将最常用的4个专名类别标记为大写的形式

    标签

    含义

    标签

    含义

    标签

    含义

    标签

    含义

    n

    普通名词

    f

    方位名词

    s

    处所名词

    nw

    作品名

    nz

    其他专名

    v

    普通动词

    vd

    动副词

    vn

    名动词

    a

    形容词

    ad

    副形词

    an

    名形词

    d

    副词

    m

    数量词

    q

    量词

    r

    代词

    p

    介词

    c

    连词

    u

    助词

    xc

    其他虚词

    w

    标点符号

    PER

    人名

    LOC

    地名

    ORG

    机构名

    TIME

    时间

    词语重要性各类别标签集合如下表,使用4-Level梯度进行分类:

    标签

    含义

    常见于词性

    0

    query中表述的冗余词

    p, w, xc ...

    1

    query中限定较弱的词

    r, c, u ...

    2

    query中强限定的词

    n, s, v ...

    3

    query中的核心词

    nz, nw, LOC ...

    示例:

    带有词性标注和实体识别,装载LAC模型时模式选择为lac

    单纯分词,在装载LAC模型时模式修改为seg

     

    按词语重要性梯度分类(4-Level)

    5、测试代码

    # Date: 2022-03-30 16:58:06
    # LastEditors: ZL
    # LastEditTime: 2022-03-30 16:58:07
    # FilePath: \pythonProjectc:\Users\ahs\Desktop\PycharmProjects\Scripts\PythonProject\人名识别1.py
    # Description:
    # coding=utf-8
    from LAC import LAC
    def lac_username(sentences: str) -> list:
        # 装载LAC模型
        user_name_list = []
        lac = LAC(mode="lac")
        lac_result = lac.run(sentences)
        for index, lac_label in enumerate(lac_result[1]):
            if lac_label == "ORG":
                user_name_list.append(lac_result[0][index])
        return user_name_lis
    if __name__ == '__main__':
        text = "2021年4月 兰州商学院 158 李志斌 1213 朱广 西北大学"
        lac_user = lac_username(text)
        print("LAC:", lac_user)

     

    展开全文
  • 史脉可(SMAC) 双轴控制器LAC-25指令介绍pdf,史脉可(SMAC) 双轴控制器LAC-25指令介绍
  • LAC全称Lexical Analysis of Chinese,是百度自然语言处理部研发的一款联合的词法分析工具,实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势: 效果好:通过深度学习模型联合学习分词、词性标注...

    LAC全称Lexical Analysis of Chinese,是百度自然语言处理部研发的一款联合的词法分析工具,实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势:

    • 效果好:通过深度学习模型联合学习分词、词性标注、专名识别任务,词语重要性,整体效果F1值超过0.91,词性标注F1值超过0.94,专名识别F1值超过0.85,效果业内领先。
    • 效率高:精简模型参数,结合Paddle预测库的性能优化,CPU单线程性能达800QPS,效率业内领先。
    • 可定制:实现简单可控的干预机制,精准匹配用户词典对模型进行干预。词典支持长片段形式,使得干预更为精准。
    • 调用便捷支持一键安装,同时提供了Python、Java和C++调用接口与调用示例,实现快速调用和集成。
    • 支持移动端: 定制超轻量级模型,体积仅为2M,主流千元手机单线程性能达200QPS,满足大多数移动端应用的需求,同等体积量级效果业内领先。

    安装与使用

    LAC是以PYTHON包的形式提供服务的,安装非常简单,基于anaconda环境,执行如下命令即可:

     pip install lac

    编写测试用例:

    分词/切词用例:

    from LAC import LAC
    
    # 装载分词模型
    lac = LAC(mode='seg')
    
    # 单个样本输入,输入为Unicode编码的字符串
    text = u"LAC是个优秀的分词工具"
    seg_result = lac.run(text)
    
    # 批量样本输入, 输入为多个句子组成的list,平均速率会更快
    texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
    seg_result = lac.run(texts)
    print(seg_result)
    texts = [u"豆豆很帅", u"豆豆爸爸是一名工程师"]
    seg_result = lac.run(texts)
    print(seg_result)

    分词/切词运行结果:

     词性标注与实体识别:

    from LAC import LAC
    
    # 装载LAC模型
    lac = LAC(mode='lac')
    
    # 单个样本输入,输入为Unicode编码的字符串
    text = u"LAC是个优秀的分词工具"
    lac_result = lac.run(text)
    
    # 批量样本输入, 输入为多个句子组成的list,平均速率更快
    texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
    lac_result = lac.run(texts)
    print(lac_result)
    texts = [u"豆豆很帅", u"豆豆爸爸是一名工程师"]
    seg_result = lac.run(texts)
    print(seg_result)

    输出结果:

    每个句子的输出其切词结果word_list以及对每个单词的标注tags_list,其格式为(word_list, tags_list)

    词性和专名类别标签集合如下表,其中我们将最常用的4个专名类别标记为大写的形式:

    词语重要性分析:

    from LAC import LAC
    
    # 装载词语重要性模型
    lac = LAC(mode='rank')
    
    # 单个样本输入,输入为Unicode编码的字符串
    text = u"LAC是个优秀的分词工具"
    lac_result = lac.run(text)
    
    # 批量样本输入, 输入为多个句子组成的list,平均速率更快
    texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
    lac_result = lac.run(texts)
    print(lac_result)
    texts = [u"豆豆很帅", u"豆豆爸爸是一名工程师"]
    seg_result = lac.run(texts)
    print(seg_result)

    运行结果:

    词语重要性各类别标签集合如下表,我们使用4-Level梯度进行分类:

    关于F1指标

    细心的你应该注意到,上面提到的性能指标中有一项F1指标,F1是综合考量召回率和精确率得到的一个统计维度,经过查找资料,它的定义为:

     所以,精确率越高F1越好,召回率越高F1也越好。

    当F1为1的时候,说明:

    F1=\frac{2\cdot precision\cdot recall}{precision+recall}=1

    令x=precision,y=recall,所以:

    \frac{2xy}{x+y}=1=>x+y=2xy=>y=\frac{x}{2x-1}(0\leq x\leq 1 ,0\leq x\leq 1 )

    函数图形为:

    可以看到,在X,Y的值域范围内,只有一个点满足F1=1的要求,那就是:

    召回率==精确率==1

    这个条件意味着什么呢,通俗点说,就是所有的正样本都被找到了,并且找到的都是正样本。没有出错。

    以新冠筛查为例,如果某次的普查F1为1,那说明,精准防疫的目标已经达到,范围内的所有新冠阳性都被找到,并且找到的都是阳性患者,召回律100%,精确率100%,显然,要达到F1指标为1的程度,是非常不容易的。


    结束

    展开全文
  • 原标题:2G/3G LAC与4G/5G TAC的协同优化(8)2G/3G LAC与4G/5G TAC的协同优化涂鸿渐【摘 要】为规避移动通信网络中往往存在的4G TAC和2G/3G LAC不一致及插花的不合理现象,以及部分TAC边界基站下的终端跨TAC重选和...

    原标题:2G/3G LAC与4G/5G TAC的协同优化

    (8)

    2G/3G LAC与4G/5G TAC的协同优化

    涂鸿渐

    【摘 要】为规避移动通信网络中往往存在的4G TAC和2G/3G LAC不一致及插花的不合理现象,以及部分TAC边界基站下的终端跨TAC重选和切换较多的情况,需要开展TAC/LAC的协同优化工作。根据网络结构、TAC/LAC配置及业务流程,主要从移动终端在空闲态及被叫状态下,处于TAC/LAC的异常配置小区位置时着手,对上述问题现象及导致的不良影响进行分析。并分城区、农村等不同场景提出2G/3G/4G的TAC/LAC协同核查解决方案,描述了算法设计与运行效果;由于存量基站数量巨大、核查困难,因而固化为优化工具,实现高效发现、解决TAC/LAC异常配置,提升网络质量。进一步地,相关方法工具可依据类似原理转换应用于4G/5G的TAC协同优化。

    【关键词】TAC;LAC;插花;频繁切换;协同优化;自动核查

    doi:10.3969/j.issn.1006-1010.2020.12.011

    文章编号:1006-1010(2020)12-0055-06

    引用格式:涂鸿渐. 2G/3G LAC与4G/5G TAC的协同优化[J]. 移动通信, 2020,44(12): 55-60.

    一般而言,现网中存在少量4G TAC(Tracking Area Code,跟踪区域代码)和2G/3G LAC(Location Area Code,位置区域代码)不一致及插花的现象,造成该问题的主要原因包括:基站、小区的TAC、LAC参数配置有误或失当;RRU拉远,或当靠近边界的基站小区有过覆盖现象时,也可能实质上衍生出TAC、LAC插花等问题。与此同时,由于城建和4G用户发展,当原先比照LAC划分的部分TAC边界基站产生高流量、高话务时,随之而来的是这些站下终端跨TAC重选和切换次数增多,也需要合理调整。还有特殊情况如高铁专网、地铁TAC所致。因此,有必要进行TAC与LAC的一致性等协同核查优化。

    核查可以从核心网和无线侧开展,相关手段包括数据配置检查、路测发现、拨打测试并结合信令分析。现有文献一般涵盖核心网优化、未接通投诉案例分析、CSFB(Circuit Switched Fallback,电路域回落)优化等,其中提到了TAC的部分内容。本文则从无线侧小区配置入手,联系移动终端位置更新及主被叫原理,全面而集中地阐释了TAC与LAC的一致性问题,探讨了各种异常配置对网络和用户的影响。最后提出了无线侧配置异常的核查手段及系统设计方案,为用户感知的提升带来了益处。

    1 TAC、LAC一般性问题及影响

    1.1 TAC、LAC不一致及插花的影响

    TAC/LAC插花或不一致时,可导致寻呼用户或语音回落失败,或时延增加,特别是上述现象多且用户量大时,将影响用户感知和相关网络指标,严重时寻呼等控制信道负荷也可能上升。假设TAC和LAC在核心网MME(Mobility Management Entity,移动管理实体)是一一对应的,另外TA List(Tracking Area List,跟踪区列表)仅配置了一个TAC,此处具体分析无线侧3种可能的错配情形。

    (1)情形1:TAC、LAC一致但插花

    如图1,共站的4G/2G基站分别配置了TAC1跟踪区(错误,应为TAC2)/LAC1位置区(错误,应为LAC2),位于周边站均为4G TAC2/2G LAC2配置的区域。这是关于TAC与LAC一致且TAC、LAC均插花的情况。当移动终端从TAC1/LAC1站下移动到TAC2/LAC2区域范围时,空闲态下会触发TAU(Tracking Area Update,跟踪区更新)或位置更新。此时,若用户终端刚好作被叫,则寻呼可能仍旧在TAC1区域范围内(不含TAC2)进行,从而导致寻呼失败;若连续寻呼,等用户从TAC1到TAC2的TAU完成后,此时寻呼可能成功,但寻呼时延增加,若超过相关定时器,也会造成寻呼失败。若考虑被叫终端还要进行GSM网络的位置更新,则语音CSFB回落时延也增加,即有回落失败、通话未接通的可能性。总之,不利于寻呼和回落,这也是TAC、LAC边界不宜设置于高话务和流量位置的原因。

    5b284d3c635b1a02a4e99996494556e0.png

    (2)情形2:TAC、LAC不一致且TAC插花

    如图2,共站的4G/2G基站分别配置了TAC1跟踪区(错误,应为TAC2)/LAC2位置区(正确),位于周边站均为4G TAC2/2G LAC2配置的区域。这是关于TAC与LAC不一致且TAC插花的情况。当移动终端从TAC1/LAC2站下移动到TAC2/LAC2区域范围时,空闲态下会触发TAU。此时若用户终端作被叫,则寻呼可能仍旧在TAC1区域范围内进行,导致寻呼失败;若继续寻呼,等用户TAU完成,此时寻呼可能成功,但寻呼时延增加,若超过相关定时器,还会造成寻呼失败。若用户终端并未移动,此时在TAC1下作被叫,则无法正常回落到LAC2,手机需要重选GSM频点,语音回落时延增加,也有回落失败的可能性。总之,同样不利于寻呼和回落,这也是排查TAC/LAC不一致的原因之一。

    c42e322eb930220598e0400359cf4e23.png

    (3)情形3:TAC、LAC不一致且LAC插花

    如图3,共站的4G/2G基站分别配置了TAC2跟踪区(正确)/LAC1位置区(错误,应为LAC2),这是关于TAC与LAC不一致且LAC插花的情况。当用户在TAC2/LAC1站下时,若用户终端作被叫,则寻呼可能无法成功,这是排查TAC/LAC不一致的另一个原因。

    7394a81a3fdae2ccc1a8fc6867d04ed7.png

    上述几种情形仅考虑了终端从TAC/LAC配置错误的小范围区域移动到周边大范围的情形,反方向移动时可进行类似分析。除开空闲态,连接态下的CSFB寻呼情形有所类似,而主叫情况下有时也是有不利之处(比如第二和三种情形下,主叫终端需要回落至2G重新搜索频点接入起呼)。综上,上述TAC/LAC插花或不一致时,容易导致CSFB寻呼或回落失败,或时延增加,可影响相关指标、控制信道负荷、感知投诉等。

    实际上,基站的过覆盖现象,也可能造成TAC、LAC插花问题,即类似第一种情形。另外常说的TAC、LAC覆盖范围需要保持基本一致,也是为了避免上述问题出现的一条基本要求。

    1.2 跨TAC、LAC频繁切换的影响

    跨TAC、LAC切换频繁的原因:如站点TAC、LAC插花,或者位于TAC、LAC边界,边界划分不合理等所致。

    跨TAC、LAC切换频繁的影响:影响呼叫接通和回落,增加信道信令负荷;影响小区间更快的切换、甚至业务速率。具体地,由于TAC、LAC设置不合理,因用户移动和信号覆盖边界波动而引起的终端频繁位置更新信令过程,将增加网络负荷,甚至劣化网络性能,比如造成接入信道拥塞、寻呼时延/次数增加,从而影响网络质量和用户体验(接通时延/成功率、业务态速率等)。

    1.3 关于3G LAC的协同优化

    和2G类似,现网中的3G网络也有LAC,一般比照2G LAC划分。同样地,3G LAC和2G LAC、4G TAC也应保持合理一致,其协同核查及优化过程同本文其他部分内容。终端在CSFB时,可以根据网络设置、网络覆盖/干扰/负荷等情况,从4G回落到2G或3G。

    2 TAC、LAC协同优化解决方案

    由于存量基站、小区数量巨大,通过在电子地图上人工核查基站TAC、LAC的方式费时费力,因此需要有系统核查工具的支撑。以下从TAC/LAC插花或不一致、TAC边界不合理两方面分别描述核查方案。

    2.1 TAC/LAC插花与不一致的自动核查解决方案

    (1)TAC/LAC插花及一致性核查算法

    基于LTE、GSM两种场景的TAC/LAC插花及一致性核查算法,核查步骤是先查找TAC或者LAC的插花,再比较TAC/LAC是否不一致。最后输出TAC/LAC插花及不一致问题小区,即可以查看LTE站点TAC插花4G小区,2G站点LAC插花的2G小区,以及TAC/LAC不一致小区。

    1)LTE核查算法:

    LTE核查是指以4G基站为中心,对一定距离内的所有4G、2G基站进行TAC比对。算法以2G/4G基站和小区资源数据为输入,提取小区资源数据中的经纬度、TAC、LAC、所属区域场景等字段值,对其进行插花和一致性计算。其核心处理思想是,先根据每个LTE网元(基站、小区)地理位置以及场景类别搜索周边LTE、GSM网元列表,接着在对应网元列表中分别进行TAC/TAC和TAC/LAC的一致性判断,同时提示是否存在稀疏覆盖导致比较对象缺失,以便进一步针对性处理。输出结果包括“TAC插花”(核查结果A)、“TAC与LAC不一致”(核查结果B),“周边800 m内无4G基站”、“周边1 000 m内无2G基站”等备注。

    ◆城区、县城场景:

    第一步,以LTE基站为中心,在距离该站800 m内的所有LTE基站中,如没有发现任何一个LTE基站配置的TAC与该LTE基站配置的TAC一致,则认为该站“TAC插花”(核查结果A);否则,认为TAC未插花。核查时,如果LTE基站周边核查距离内没有找到至少1个其它LTE基站,则备注为“周边800 m内无4G基站”,并进入第二步;否则,该站核查结束。

    第二步,以上述LTE基站为中心,在距离该站1 000 m内的所有GSM基站中,如没有发现任何一个GSM基站配置的LAC与该LTE基站配置的TAC一致,则认为该站“TAC与LAC不一致”(核查结果B);否则,认为一致。核查时,如果LTE基站周边核查距离内没有找到至少1个其它GSM基站,则补充备注为“周边1 000 m内无2G基站”。

    ◆其他场景(农村、乡镇、高速、高铁等):上述步骤1和2的核查距离均为3 000 m,其余同上。

    以核查网元LTE eNB:TAC1/GSM BTS:LAC1的插花为例,基本算法流程示意说明如下。

    图4中,按TAC/LAC统计网元数:基于核查网元列表的TAC/LAC参数进行分组统计,同TAC/LAC网元进行计数,如果某组TAC/LAC计数为1,则说明该网元组中仅存在一个网元为此TAC/LAC配置。

    最小统计存在1且与核查网元一致:根据TAC/LAC统计数量进行排序,根据前述步骤判断该TAC/LAC在此网元组中仅存一条记录,且该记录为核查网元记录的话,则说明以该网元为中心,周边所有网元都与其TAC/LAC配置数据不一致,可判断为插花/不一致问题。

    9cf4d4dfade99dac268d1fc82d57e41d.png

    2)GSM核查算法:

    GSM核查是指以2G基站为中心,对一定距离内的所有2G、4G基站进行LAC比对。

    ◆城区、县城场景:

    第一步,以GSM基站为中心,在距离该站1 500 m内的所有GSM基站中,如没有发现任何一个GSM基站配置的LAC与该GSM基站配置的LAC一致,则认为该站“LAC插花”(核查结果C);否则,认为LAC未插花。核查时,如果GSM基站周边核查距离内没有找到至少1个其它GSM基站,则备注为“周边1500m内无2G基站”,并进入第二步;否则,该站核查结束。

    第二步,以GSM基站为中心,在距离该站800 m内的所有LTE基站中,如没有发现任何一个LTE基站配置的TAC与该GSM基站配置的LAC一致,则认为该站“LAC与TAC不一致”(核查结果D);否则,认为一致。核查时,如果GSM基站周边核查距离内没有找到至少1个其它LTE基站,则补充备注为“周边800 m内无4G基站”。

    ◆其他场景(农村、乡镇、高速、高铁等):步骤1和2的核查距离分别为4 000 m和3 000 m,其余步骤同上。

    (2)自动生成TAC、LAC优化调整建议方案的算法

    1)TAC、LAC插花建议调整方法:

    TAC插花基于自动核查结果(A)中插花的LTE基站进行计算,推荐将插花LTE TAC配置为距离最近的LTE小区的TAC值或附近LTE小区数最多的TAC值。LAC插花基于自动核查结果(C)中插花的GSM基站进行计算,推荐将插花GSM LAC配置为距离最近的GSM小区的LAC值或附近GSM小区数最多的LAC值。

    2)TAC、LAC不一致时的建议调整方法:

    基于TAC/LAC自动核查结果(B)和(D)进行计算,其中对于结果(B)推荐将不一致LTE TAC配置为距离最近的2G小区的LAC值或附近2G小区数最多的LAC值;对于结果(D)推荐将不一致GSM LAC配置为距离最近的LTE小区的TAC值或附近LTE小区数最多的TAC值。

    (3)GIS呈现

    将所涉及4G/2G基站小区呈现在GIS地图上,并以不同颜色标识出插花或不一致的问题基站小区,同时显示所有4G/2G基站小区的TAC/LAC值查看。

    (4)工具使用效果

    工具提供关于各地市区域、各类场景(包括城区、县城、农村、乡镇、高速、高铁等)的核查处理建议,并基于GIS引擎进行打点和渲染。算法核查结果表明(A)~(D)及备注情况,包括TAC修改建议。

    在结果列表中点击其中TAC插花或TAC与LAC不一致的小区,即可在地图上呈现。

    该工具为B/S架构,后台服务器周期性地核查运算全省数据并保存结果,通过前台网页供查询展示。底层借助Oracle存储过程进行计算,根据循环算法,将应核查数据参数录入到TAC/LAC协同核查算法中,通过存储过程核算插花等情况。由于网元TAC、LAC数据的相对稳定性,后台运算可以在夜间或空闲时进行,因此可灵活占用资源,而前台调用展示的速度将非常迅速。

    2.2 TAC边界合理性自动核查方案

    (1)现状评估

    评估内容包括网内小区的跨TAC切换比例,切换次数,TOP3切换出/入邻区名称、TAC及距离等明细。

    (2)算法说明

    通过分析邻区级切换数据,按小区统计跨TAC切换比例,核查呈现超门限的小区列表,供优化人员参考决定是否需要调整该小区TAC归属,以减少跨TAC切换或TAU次数。其中,跨TAC切换是指,源小区的归属TAC和目标小区的归属TAC不一致;

    小区跨TAC切换出比例=小区跨TAC切换出成功次数/小区切换出成功总次数;

    小区跨TAC切换入比例=小区跨TAC切换入成功次数/小区切换入成功总次数;

    小区跨TAC切换比例=(小区跨TAC切换出成功次数+小区跨TAC切换入成功次数)/(小区切换出成功总次数+小区切换入成功总次数);

    (3)工具使用效果

    查询条件:小区级全天总切换次数(可自设门限,默认400次以上);小区级跨TAC切换与总切换次数占比(可自设门限,默认70%以上);地市(各地市、全省);时间(默认为“天”)。

    算法核查结果表明网内小区的跨TAC切换详情,包括区域/TAC/小区名称、跨TAC切换比例%、总切换次数、切出/切入成功次数、TOP1~3切出小区名称/所属TAC/距本小区距离。

    点击核查结果中任一小区名称,系统将在GIS地图中自动呈现该小区的切入、切出TOP3情况。

    3 协同优化总体效果

    3.1 工具应用的实际成效

    TAC与LAC的协同核查优化算法工具在省内推广使用4年来,根据所核查的问题小区进行调整优化,减少TAU次数,改善CSFB和VoLTE(Voice over Long-Term Evolution,长期演进语音承载)寻呼、回落性能。结果表明,TAC插花小区、LAC插花小区、TAC/LAC不一致小区、频繁跨TAC切换小区均不同程度减少;CSFB寻呼成功率,回落成功率则得到提升。

    上线半年内指导完成数轮TAC/LAC插花,及TAC边界合理性核查与优化。全省TAC插花小区减少1 143个,占小区总量0.8%;LAC插花小区减少796个,占小区总量0.8%;TAC/LAC不一致小区减少2 696个,占小区总量1.8%。同时期的频繁跨TAC切换小区(跨TAC切换比例高于70%的小区)减少1 069个,较核查优化前下降39%,频繁跨TAC切换小区的总切换次数下降45%,其中跨TAC的切换次数下降47%。全省CSFB被叫回落成功率提升0.38个百分点,VoLTE语音质量提升1.23个百分点。TAC/LAC专项优化实践经验表明,当全省TAC插花小区减少452个,LAC插花小区减少120个,频繁跨TAC切换小区减少139个的情形下,能促进全网CSFB寻呼成功率提升0.01个百分点,CSFB回落成功率提升0.06个百分点,显示出改善用户感知的效果。实际工作中经考察权衡各种因素,也有一些不建议调整的边界小区,可以纳入白名单免予处理。

    3.2 日常化应用

    在TAC边界合理性核查方面,本工具算法的分析基础是小区切换数据,也有其他算法采用MR数据为依据进行运算。结果表明,两者所输出问题小区清单存在重合度。因而两者既可互补,也可取其共同结果作为重点处理对象。

    在网优集中分析流程中,还可以将TAC合理性与频繁切换小区、切换差小区等加以关联分析。

    4 5G TAC的规划优化展望

    综上,本文分析了无线侧各种TAC/LAC异常配置对网络和用户感知的不利影响,设计提出了IT化核查优化工具,能够有效发现和解决小区级TAC、LAC的不合理配置问题,进而提升网络质量。

    去年以来,为打造 4G/5G 精品网络,全网正推进4G/5G协同规划,强化4G/5G协同优化。类似于4G,5G TA/TAL(Tracking Area/Tracking Area List,跟踪区/跟踪区列表)规划位置区不宜过大,也不宜过小。过大,则可能导致寻呼过载;过小,则会导致位置区频繁更新(TAU),信令开销较大、或导致信令风暴。位置区规划的原则同LTE;NSA(Non-Standalone,非独立组网)组网TA/TAL规划参考LTE TA/TAL规划;5G NR(New Radio,新空口)复用LTE站址建网时,NR可以借鉴/使用LTE的TAC。而将来关于4G/5G TAC的协同优化,可参考、转化应用本文关于2G/3G LAC与4G TAC协同优化的方法。

    doi:10.3969/j.issn.1006-1010.2020.12.011

    文章编号:1006-1010(2020)12-0055-06

    引用格式:涂鸿渐. 2G/3G LAC与4G/5G TAC的协同优化[J]. 移动通信, 2020,44(12): 55-60.

    责任编辑:

    展开全文
  • 利用Mapinfo自带Voronoi功能实现当前图层边界分割功能,操作简单实用,在无线网络优化过程中会用到
  • NlpHanlp Jieba Lac Ltp 词性标注
  • LAC全称Lexical Analysis of Chinese,是百度NLP(自然语言处理部)研发的一款词法分析工具,可实现中文分词、词性标注、专名识别等功能。 LAC在分词、词性、专名识别的整体准确率超过90%,以专名识别为例,其效果要...
  • LAC启动

    2021-03-16 19:40:44
    #hub serving start -m lac 第二步: coding: utf8 import requests import json if name == “main”: # 指定用于预测的文本并生成字典[text_1, text_2, … ] text = [“今天是个好日子”, “天气预报说今天要下雨...
  • LAC功能在于中文分词、词性标注、NER,对于基本的词法分析效果还是蛮不错的,如下为其对应词性和ner标签:写这篇博客的目的也是在于进一步梳理思路和过程,毕竟当时还是踩了一些坑的,写下来,于人于己都方便!...
  • 对于和NAS initial类似,这里是由LAC发起的,而且不是使用pppoe进行隧道的建立和会话的建立,当有去往总部的流量的时候,LAC就会主动和LNS进行隧道和会话的协商,LNS会分配给LAC一个地址,所以如果分支机构的用户想...
  • 星标/置顶小屋,带你解锁最萌最前沿的NLP、搜索与推荐技术文 | 匿名大佬编 | 北大小才女小轶本文将为大家介绍如何使用百度开源的词法分析工具LAC实现个性化分词(附代码),并展示LA...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,204
精华内容 2,481
关键字:

LAC

友情链接: 06387900.zip