2010-至今神经网络、深度学习、大数据流派
2006 DNN
（深度神经网络）
2016
：
Google AlphaGO
战胜围棋选手李世石（人工智能第三次浪潮）
1.3 机器学习
1.3.1 什么是机器学习
机器学习，它正是这样一门学科，它致力于研究如何通过计算（
CPU
和
GPU
计算）的手段，利用经验来改善（计算机）系统自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，应用遍及人工智能各领域。
数据
+
机器学习算法
=
机器学习模型 有了学习算法我们就可以把经验数据提供给它，它就能基于这些数据产生模型。
1.3.2 人工智能、机器学习、深度学习的关系
机器学习是人工智能的一个分支，深度学习是实现机器学习的一种技术。
2 智能分类
2.1 需求分析
通过机器学习，当用户录入一篇文章或从互联网爬取一篇文章时可以预测其归属的类型。
2.2 智能分类的执行流程
3 IK分词器
3.1 IK分词器简介
IK Analyzer
是一个开源的
,
基于
java
语言开发的轻量级的中文分词工具包。从
2006
年 12 月推出
1.0
版开始
,IKAnalyzer
已经推出了
4
个大版本。最初
,
它是以开源项目
Luence
为 应用主体的,
结合词典分词和文法分析算法的中文分词组件。从
3.0
版本开始
,IK
发展为面 向 Java
的公用分词组件
,
独立于
Lucene
项目
,
同时提供了对
Lucene
的默认优化实现。
在
2012
版本中
,IK
实现了简单的分词歧义排除算法
,
标志着
IK
分词器从单纯的词典分词向模拟语义分词衍化。
3.2 快速入门
（1）创建工程引入依赖
com.janeluo
ikanalyzer
2012_u6
（2）编写代码
package cn.test.demo;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;
import java.io.IOException;
import java.io.StringReader;
public class Test {
public static void main(String[] args) throws IOException {
String text="基于java语言开发的轻量级的中文分词工具包";
StringReader sr=new StringReader(text);
IKSegmenter ik=new IKSegmenter(sr, true);
Lexeme lex=null;
while((lex=ik.next())!=null){
System.out.print(lex.getLexemeText()+" ");
}
}
}
IKSegmenter
的第一个构造参数为
StringReader
类型 。
StringReader
是装饰
Reader
的类，其用法是读取一个String
字符串IKSegmenter 的第二个构造参数
userSmart
为切分粒度
true
表示最大切分
false
表示最细切分Lexeme： 词单位类
3.3 构建分词语料库
需求：在
CSDN
上抓取各类文章，并以分词形式保存，词之间用空格分隔。
步骤：
（1）修改tensquare_common模块的pom.xml ，引入依赖
com.janeluo
ikanalyzer
2012_u6
（2）修改tensquare_common模块 ，创建分词工具类
package util;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;
import java.io.IOException;
import java.io.StringReader;
/**
* 分词工具类
*/
public class IKUtil {
/**
* 根据文本返回分词后的文本
* @param content
* @return
*/
public static String split(String content,String splitChar) throws
IOException {
StringReader sr=new StringReader(content);
IKSegmenter ik=new IKSegmenter(sr, true);
Lexeme lex=null;
StringBuilder sb=new StringBuilder("");
while((lex=ik.next())!=null){
sb.append(lex.getLexemeText()+splitChar);//拼接
}
return sb.toString();
}
}
（3）修改tensquare_common模块，创建HTML工具类(资源中已提供)，用于将文本中的html标签剔除
package util;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* html标签处理工具类
*/
public class HTMLUtil {
public static String delHTMLTag(String htmlStr){
String regEx_script="]*?>[\\s\\S]*?"; //定义
script的正则表达式
String regEx_; //定义
style的正则表达式
String regEx_html="]+>"; //定义HTML标签的正则表达式
Pattern
p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE);
Matcher m_script=p_script.matcher(htmlStr);
htmlStr=m_script.replaceAll(""); //过滤script标签
Pattern
p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE);
Matcher m_style=p_style.matcher(htmlStr);
htmlStr=m_style.replaceAll(""); //过滤style标签
Pattern
p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE);
Matcher m_html=p_html.matcher(htmlStr);
htmlStr=m_html.replaceAll(""); //过滤html标签
return htmlStr.trim(); //返回文本字符串
}
}
（4）修改tensquare_crawler模块，创建ArticleTxtPipeline，用于负责将爬取的内容存入文本文件
package com.tensquare.crawler.pipeline;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Component;
import org.springframework.stereotype.Repository;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import util.HTMLUtil;
import util.IKUtil;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.PrintWriter;
import java.util.Map;
import java.util.UUID;
/**
* 入库类(分词后保存为txt)
*/
@Component
public class ArticleTxtPipeline implements Pipeline {
@Value("${ai.dataPath}")
private String dataPath;
private String channelId;//频道ID
public void setChannelId(String channelId) {
this.channelId = channelId;
}
@Override
public void process(ResultItems resultItems, Task task) {
String title = resultItems.get("title");//获取标题
String content= HTMLUtil.delHTMLTag(resultItems.get("content"))
;//获取正文并删除html标签
try {
//将标题+正文分词后保存到相应的文件夹
PrintWriter printWriter=new PrintWriter(new
File(dataPath+"/"+channelId+ "/"+UUID.randomUUID()+".txt"));
printWriter.print(IKUtil.split(title+" "+content," "));
printWriter.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
}
（5）在配置文件application.yml中添加配置
ai:
#语料库目录
dataPath : E:\\article
（6）修改ArticleTask类，新增爬取db 和web的任务
package com.tensquare.crawler.task;
import com.tensquare.crawler.pipeline.ArticleTxtPipeline;
import com.tensquare.crawler.processor.ArticleProcessor;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.scheduling.annotation.Scheduled;
import org.springframework.stereotype.Component;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.scheduler.RedisScheduler;
/**
* 文章任务类
*/
@Component
public class ArticleTask {
//@Autowired
//private ArticlePipeline articlePipeline;
@Autowired
private ArticleTxtPipeline articleTxtPipeline;
@Autowired
private RedisScheduler redisScheduler;
/**
* 爬取ai数据
*/
@Scheduled(cron="0 38 10 * * ?")
public void aiTask(){
System.out.println("爬取AI文章");
Spider spider = Spider.create(new ArticleProcessor());
spider.addUrl("https://blog.csdn.net/nav/ai");
articleTxtPipeline.setChannelId("ai");
spider.addPipeline(articleTxtPipeline);
spider.setScheduler(redisScheduler);
spider.start();
spider.stop();
}
/**
* 爬取db数据
*/
@Scheduled(cron="20 17 11 * * ?")
public void dbTask(){
System.out.println("爬取DB文章");
Spider spider = Spider.create(new ArticleProcessor());
spider.addUrl("https://blog.csdn.net/nav/db");
articleTxtPipeline.setChannelId("db");
spider.addPipeline(articleTxtPipeline);
spider.setScheduler(redisScheduler);
spider.start();
spider.stop();
}
/**
* 爬取web数据
*/
@Scheduled(cron="20 27 11 * * ?")
public void webTask(){
System.out.println("爬取WEB文章");
Spider spider = Spider.create(new ArticleProcessor());
spider.addUrl("https://blog.csdn.net/nav/web");
articleTxtPipeline.setChannelId("web");
spider.addPipeline(articleTxtPipeline);
spider.setScheduler(redisScheduler);
spider.start();
spider.stop();
}
}
3.4 分词语料库合并
（1）创建模块tensquare_ai ,引入tensquare_common依赖 ，创建启动类
package com.tensquare.ai;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.scheduling.annotation.EnableScheduling;
@SpringBootApplication
@EnableScheduling
public class AiApplication {
public static void main(String[] args) {
SpringApplication.run(AiApplication.class, args);
}
}
（2）在tensquare_common创建文件工具类 FileUtil (资源中提供)，用于文本文件的读取，合并，以及获取某目录下的文本文件名称
package com.tensquare.ai.util;
import java.io.*;
import java.util.ArrayList;
import java.util.List;
/**
* 文件工具类
*/
public class FileUtil {
/**
* 将多个文本文件合并为一个文本文件
* @param outFileName
* @param inFileNames
* @throws IOException
*/
public static void merge(String outFileName ,List
inFileNames) throws IOException {
FileWriter writer = new FileWriter(outFileName, false);
for(String inFileName :inFileNames ){
try {
String txt= readToString(inFileName);
writer.write(txt);
System.out.println(txt);
}catch (Exception e){
}
}
writer.close();
}
/**
* 查找某目录下的所有文件名称
* @param path
* @return
*/
public static List getFiles(String path) {
List files = new ArrayList();
File file = new File(path);
File[] tempList = file.listFiles();
for (int i = 0; i
（3）创建application.yml
ai:
#语料库汇总文本文件
wordLib : E:\\article.txt
#语料库目录
dataPath : E:\\article
（4）创建服务类
@Service
public class Word2VecService {
//模型分词路径
@Value("${ai.wordLib}")
private String wordLib;
//爬虫分词后的数据路径
@Value("${ai.dataPath}")
private String dataPath;
/**
* 合并
*/
public void mergeWord(){
List fileNames = FileUtil.getFiles(dataPath);
try {
FileUtil.merge(wordLib,fileNames);
} catch (IOException e) {
e.printStackTrace();
}
}
}
（5）创建任务类TrainTask
/**
* 训练任务类
*/
@Component
public class TrainTask {
@Autowired
private Word2VecService word2VecService;
/**
* 训练模型
*/
@Scheduled(cron="0 30 16 * * ?")
public void trainModel(){
System.out.println("开始合并语料库......");
word2VecService.mergeWord();
System.out.println("合并语料库结束‐‐‐‐‐‐");
}
}
人工智能是
计算机
科学的一个分支，它企图了解智能的实质，并生产出一种新的能以
人类智能
相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和
专家系统
等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类
智慧
的
“
容器”
。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
