基于文本挖掘的语词典研究

摘要

在信息大爆炸、多元文化迅猛发展的时代,语言方面也随之出现了许多的未知领域.文章研究的是近年来数据挖掘领域的一个热门方向.所谓文本挖掘,就是从未知的文本和语言中寻找相似的特征,并加以探讨和研究.文章研究一类未知语言词典文本挖掘问题,该语词典由20个字母组成,现已获得由这20个字母组成的30段文本(单个文本长度为5000～8000),现需从中找到相似序列的片段(长度为15～21),且容错不能大于4.对此,文章以英文字母代表未知字母建立文本模型,以两段文本为例,划分并找到相似序列,编写算法,以实际例子加以验证.最后,分析文本模型和算法实例,对文本及算法加以改进,能够更快速而尽可能地找到符合要求的字母片段.