搜索： - 青梅
记得那时打印那些数据
IT江湖青梅2004-04-28 10:11:32
往往一晚上用半箱打印纸，一箱打印纸是四本，每本五百页的。 管帐的会计插不上手，下班就老老实实回家，我处理数据和打印出来，晚上在办公室呆到半夜是常事，一边听着打印机响一边玩游戏。 如果手工去修改和出表（包括其他一些数据），估计一年都弄不完，当时用了半个月，包括核对和查帐、修改一些错误。
小背，给你讲讲我以前的事吧
IT江湖青梅2004-04-28 09:56:10
以前配合会计师事务所做上市预审计时，要核对固定资产的一些数据，两千多项资产，三年数据，总字段数大概一百多吧（每月多项数据），但是，三年数据居然没有统一ID，固定资产编号不统一（房产和设备归不同部门管，而且即使同是设备，由于管帐的会计不同，输入编号的习惯也不同，比如横杠，有的用连接符，有的用下划线），我分析之后，用固定资产净值作为验证，固定资产编号作为辅助验证数（同一批的固定资本净值可能相同，但编号习惯会一样，此时排序就不会有问题了），把三年数据碰得清清爽爽，而且直接用帐务系统里带的报表打印功能打印...
不对
IT江湖青梅2004-04-28 09:36:11
输入青字后输入“mei”，对期望的新字“梅”形成约束的是“mei”和前面的一元“青”，而且进行频率比较时也不会和不同首字组比较啊。 一般连续四字以上的频率会比较低，可以设置一定时间内（处理的数据来源差不多，比如新浪AD服务器）连续五字组出现频率达到某个值时出现提醒，看到提醒，查来源后可以将其设置为广告，那么在去除标点符号、西文及压缩空格前，可以先去除相应字符串。 昨天你讽刺我研究什么分布式的信息摘要ID，其实在数据交换环节使用信息摘要来进行验证是非常普遍采用的，比如一些压缩软件。...
象“青梅”、“青大侠”这样频率高的词肯定会入选
IT江湖背时子2004-04-28 09:26:11
而“厕所”这样频率低的词恐怕则会被“自然淘汰”。 青大侠：你就先编一个能识别广告语的聪明“小程序”让我们学习学习吧。 象“青梅”、“青大侠”这样频率高的词肯定会入选
我都跟你说过了：两把铁锹相对挖
IT江湖青梅2004-04-28 08:26:46
你不信我，这生意怎么做？ 主要是把数据清洗工作的大量劳动由软件完成而不是人工，比如说错误的字组完全可以由于频率不足而自然淘汰，还有就是合理预测，及时调整和编制（或利用）一些小程序来达到一些目的，比如说广告语的过滤，那么可能是在软件中有过滤功能，在生成短句时把人工识别出来（并标记入软件）的广告语过滤掉，不需要人一条条去编辑吧？ 嘎嘎嘎嘎，其实目前笔画输入法重码已经很少了，如果与语言模型结合，准确率提高一点，其实非常有限，目前汉王的输入法首选识别率94%（在NEC的N600上情况）。 另外，准确率也取...
据说有个教授领帮学生做的语言模型
IT江湖青梅2004-04-27 21:25:39
卖给IBM，卖了$40万，语料大约十亿字。十亿好象没多少吧？不过他们用的比较笨的方法，先做清洗后整理的，用人力太多。
其实现在输入法应该也可以达到
IT江湖青梅2004-04-27 21:15:53
但有很多臭虫，比如说全拼里居然没有单独“高度”这个词。 另外，笔画输入法的重码本身就比拼音输入法要少，如果语言模型好的话，对质量的改善应该很大。