㈠ 常用的開源軟體有哪些
1、Dolibarr
Dolibarr是一個免費的開源ERP軟體包，該軟體為中小型實體、基金會和自由職業者提供大量的業務和組織解決方案。它的主要特點是企業資源規劃（ERP）和客戶關系管理（CRM），這些是當今復雜和數據豐富的組織的基本功能。
2、WinSSHTerm
WinSSHTerm是一款綠色單文件SSH客戶端工具，這款工具結合了PuTTY／KiTTY，Winscp和VcXsrv等多個開源工具，還包括對復制文件和啟動X應用程序的內置支持，方便用戶直接使用。
3、IconMeter
IconMeter是一款開源免費，簡單實用的系統監測工具，它是一個適用於MSWindows的小型notifyicon系統性能表。採用c＃製作，顯示小的notifyicon，可以在小條形圖中顯示當前的CPU、內存、磁碟和網路負載等信息，直觀方便。
4、RedisDesktopManagerwindows
RedisDesktopManagerwindows是一款簡單快速、跨平台的Redis桌面管理工具，也被稱作Redis可視化工具，是一款開源軟體，支持通過SSHTunnel連接，支持windows、mac等多平台。
5、Catfish（鯰魚）Blog
Catfish（鯰魚）Blog是一款開源的PHPBlog系統，其衍生於優秀的內容管理系統：Catfish（鯰魚）CMS，秉承了Catfish（鯰魚）CMS的先進設計理念，並且專注於個人博客系統，使用十分便捷。
㈡ 中文方面比較好的依存句法分析工具有哪些
在漢語中什麼是賓語 定語 動語 狀語 補語：賓語：謂語動詞的支配對象.定語：用在主語或賓語之前,對它們起修飾或限製作用（的字前面的內容）.狀語：用在謂語動詞前或是特定的位置中,一般在「地」字前補語：對謂語動詞的補充說明,一般在「得」字後.動語,又稱「述語」,它是用來指稱跟賓語依存共現成分的句法成分.動語可以單獨由動詞充當,如上例.但更常見的是由動詞帶上補語構成.如「我們要學好現代漢語.」兼屬動詞的形容詞也可作動語.如「弟弟小（形容詞）我三歲.」由此可見,動語不同於動詞：動語是就句法成分而言,動詞是就詞類而言的.沒有賓語也就沒有動語,動語是為了貫徹句法成分對句法成分的原則而擬定的名稱.但是為了少用新術語,也由於跟賓語相對的成分主要是由動詞或動詞短語充當,有些論著和教材不明確區分動語和動詞.
㈢ 特徵詞提取的開源工具有哪些
聯分析方法，得到頻繁集。再刪除不是特徵 詞的頻繁集。利用關聯分析法可找到頻率較高的特徵詞，但找不到低頻率的 特徵詞。基於上述思想，利用高頻特徵詞找到對應的觀點詞，然後利用觀點 詞找出附近低頻特徵詞，可以提高召回率。 4. 文獻[13]提出一種利用互信息（PMI）的特徵提取方法。該方法首先提取出 頻率高於某一閾值的名詞或名詞短語來作為候選特徵詞，然後利用搜索引擎
㈣ 開源數據挖掘工具有哪些
1、RapidMiner該工具是用Java語言編寫的，通過基於模板的框架提供先進的分析技術。該款工具最大的好處就是，用戶無需寫任何代碼。它是作為一個服務提供，而不是一款本地軟體。值得一提的是，該工具在數據挖掘工具榜上位列榜首。
另外，除了數據挖掘，RapidMiner還提供如數據預處理和可視化、預測分析和統計建模、評估和部署等功能。更厲害的是它還提供來自WEKA(一種智能分析環境)和R 腳本的學習方案、模型和演算法。
RapidMiner分布在AGPL開源許可下，可以從SourceForge上下載。SourceForge是一個開發者進行開發管理的集中式場所，大量開源項目在此落戶，其中就包括維基網路使用的MediaWiki。
2、WEKA
WEKA原生的非Java版本主要是為了分析農業領域數據而開發的。該工具基於Java版本，是非常復雜的，並且應用在許多不同的應用中，包括數據分析以及預測建模的可視化和演算法。與RapidMiner相比優勢在於，它在GNU通用公共許可證下是免費的，因為用戶可以按照自己的喜好選擇自定義。
WEKA支持多種標准數據挖掘任務，包括數據預處理、收集、分類、回歸分析、可視化和特徵選取。
添加序列建模後，WEKA將會變得更強大，但目前不包括在內。
3、R-Programming
如果我告訴你R項目，一個GNU項目，是由R(R-programming簡稱，以下統稱R)自身編寫的，你會怎麼想它主要是由C語言和FORTRAN語言編寫的，並且很多模塊都是由R編寫的，這是一款針對編程語言和軟體環境進行統計計算和制圖的免費軟體。R語言被廣泛應用於數據挖掘，以及開發統計軟體和數據分析中。近年來，易用性和可擴展性也大大提高了R的知名度。
除了數據，它還提供統計和制圖技術，包括線性和非線性建模，經典的統計測試，時間序列分析、分類、收集等等。
㈤ JAVA開源大數據查詢分析引擎有哪些方案
在大數據處理分析過程中常用的六大工具：HadoopHadoop是一個能夠對大量數據進行分布式處理的軟體框架。但是Hadoop是以一種可靠、高效、可伸縮的方式進行處理的。Hadoop是可靠的，因為它假設計算元素和存儲會失敗，因此它維護多個工作數據副本，確保能夠針對失敗的節點重新分布處理。Hadoop是高效的，因為它以並行的方式工作，通過並行處理加快處理速度。Hadoop還是可伸縮的，能夠處理PB級數據。此外，Hadoop依賴於社區伺服器，因此它的成本比較低，任何人都可以使用。HPCCHPCC，(高性能計算與通信)的縮寫。1993年，由美國科學、工程、技術聯邦協調理事會向國會提交了逗重大挑戰項目：高性能計算與通信地的報告，也就是被稱為HPCC計劃的報告，即美國總統科學戰略項目，其目的是通過加強研究與開發解決一批重要的科學與技術挑戰問題。HPCC是美國實施信息高速公路而上實施的計劃，該計劃的實施將耗資百億美元，其主要目標要達到：開發可擴展的計算系統及相關軟體，以支持太位級網路傳輸性能，開發千兆比特網路技術，擴展研究和教育機構及網路連接能力。StormStorm是自由的開源軟體，一個分布式的、容錯的實時計算系統。Storm可以非常可靠的處理龐大的數據流，用於處理Hadoop的批量數據。Storm很簡單，支持許多種編程語言，使用起來非常有趣。ApacheDrill為了幫助企業用戶尋找更為有效、加快Hadoop數據查詢的方法，Apache軟體會近日發起了一項名為逗Drill地的開源項目。ApacheDrill實現了Google'sDremel.據Hadoop廠商MapRTechnologies公司產品經理TomerShiran介紹，逗Drill地已經作為Apache孵化器項目來運作，將面向全球軟體工程師持續推廣。RapidMinerRapidMiner是世界領先的數據挖掘解決方案，在一個非常大的程度上有著先進技術。它數據挖掘任務涉及范圍廣泛，包括各種數據藝術，能簡化數據挖掘過程的設計和評價。
㈥ 現代漢語中的句子分析法有哪些具體怎麼分析
主要有（一）句子成分分析法
（二）層次分析法
（三）其他句子分析方法
句子成分分析法又稱「中心詞分析法」，是傳統語法學使用的句子分析方法。
①句子分析就是分析一個句子（單句）的句子成分。
句子成分有六種——主語、謂語、賓語、定語、狀語、補語。
②詞與句子成分之間存在對應關系，短語中只有聯合短語和主謂短語可以直接充當句子成分。
③主語和謂語是主要成分，賓語和補語是次要成分，定語和狀語是附加成分。
把主謂短語看作句子，認為句子總是由主謂短語充當。當主謂短語在句中作成分時，就叫做「小句」或「句子形式」；將非主謂句稱作「無主句」。
④偏正短語要先找出其中的中心語，述賓短語或述補短語要先找出其中的謂語中心詞。
在分析過程中：
首先將句子分為主語部分和謂語部分，找出全句的主要成分——主語和謂語；
再看謂語由哪種動詞充當，以及後面跟著的賓語和補語；
在主語部分找出附加在主語前面的定語，在謂語部分找出附加在謂語前的狀語。
例如分析「未來幾十年裡，地球能源將面臨嚴重的短缺問題」。
第一步：找出主要成分
未來幾十年裡，我們生活的地球能源將面臨嚴重的短缺問題。
第二步：找出次要成分
未來幾十年裡，我們生活的地球能源將面臨嚴重的短缺問題。
第三步：找出附加成分
[未來幾十年裡]，（我們生活）的地球能源[將]面臨（嚴重）的（短缺）問題。
層次分析法，又稱「直接成分分析法」，是對句法單位（包括短語和句子）的直接成分進行結構層次分析的方法。由於切分過程中盡可能採用二分，所以層次分析法又稱作「二分法」。
語法從表面上看是線性排列的符號序列。線性排列是指按照時間先後順序說出或寫出的形式。但是語法結構卻是有層次性的，層次是指句法單位在組合時所反映出來的不同的先後順序。
表層的線性關系背後暗含著隱性的層次關系。小的語法單位是大語法單位的組成部分，大的語法單位是由小的語法單位組合而成的，本身又可以成為更大語法單位的組成部分。
語法結構的每個層次一般直接包含比它小的兩個語法單位，這兩個小的語法單位就是直接成分。每一個直接成分又可以包含更小的直接成分。
例如：
我們 進行 社會 調查 分析過程
|主||____謂_______|
|_述 | 賓____ |
|_定）中 | 更多例子
層次分析法就是逐層將一個句法單位（聯合短語等由多個直接成分組成的短語除外）切分成兩個直接成分，直到不能再切分為止的句子分析方法。
層次分析法的分析過程主要包括兩個步驟：第一步是切分結構層次，第二步是確定結構關系。
例如：
他 去年 去 了 一趟 美國。 分析過程
|__||___________________| 主謂關系
|___||______________| 狀中關系
|________| |__| 述賓關系
|_| |___| 述補關系 更多例子
切分過程中應注意：
①第一步切分非常重要，第一步切分不當，後面便容易全都切錯。
②必須逐層切分，直至分析出每個實詞，語素不需要切分。
③為避免切分過程中的遺漏，一般採用從左到右、從上到下、逐塊切分的分析步驟。
層次分析法中常用的圖解表示法是切分法、組合法和樹形圖。
①切分法
切分法是最常用的方法，將所要分析的短語或句子作為一個整體，從大到小，逐層切分。
例如：
申奧 成功 有助於 中國 的 改革 與 開放。 分析過程
|_ 主 __| |______ 謂 ________________|
|主| |謂| |_述_ |______ 賓___________|
|__ 定_）_ 中_______|
| 聯 + 合 |
②組合法
組合法是把所要分析的短語或句子切分到單詞，然後從小到大，依次組合起來。例如：
他 弟弟 在 北京 念 大學 分析過程
|_定中_| |_介賓_| |_述賓_|
| |____狀中____|
|_____主謂______|
③樹形圖
樹形圖是把有關的結構分析用豎線和斜線連接起來，從而顯示出句法單位內部的結構關系。例如：
S
/ \
主語 謂語
/ \ / \
偏 正 述 賓
| | | |
取暖 設備 出現 故障 分析過程
（三）其他句子分析方法
1、變換分析
2、語義特徵分析
3、語義指向分析
變化分析是通過移位、添加、刪除、替換等方法來考察兩種句法結構之間的關系和變換規則的分析方法。 變換分析著眼於句法結構的外部分析，考察具有內在聯系的不同句法結構之間的聯系。例如：
A、台上坐著主席團
B、台上演著梆子戲
C、山上架著炮
三個例句包含的詞類相同（處所名詞+動詞+助詞+名詞），排列順序相同，內部層次關系相同，但是A句表示靜態意義（台上有主席團）、B句表示動態意義（梆子戲正在上演）、C句既可表示靜態意義（山上有炮），也可表示動態意義（山上正在架炮）。
下面我們通過變換分析法分析三個句子。
A句可以變換為「主席團坐在台上」。類似的例子如：
門口站著人—→人站在門口 床上躺著人—→人躺在床上
黑板上寫著字—→字寫在黑板上 牆上掛著畫—→畫掛在牆上
B句可以變換為「台上正在演梆子戲」。類似的例子如：
外面下著大雨—→外面正在下大雨 操場上放著電影—→操場上正在放電影
教室里上著課—→教室里正在上課 隔壁打著電話—→隔壁正在打電話
C句既可以按照A句模式變換，也可以按照B句模式變換。
山上架著炮—→炮架在山上/山上正在架炮
類似的例子如：院牆外修著馬路—→馬路修在院牆外/院牆外正在修馬路
通過變換分析，不但將內部層次關系相同的「台上坐著主席團」、「台上演著梆子戲」、「山上架著炮」區別開來，而且分化了類似「山上架著炮」的歧義。
語義特徵分析是分析和概括同一句式中處於相同位置上的詞所共有的語義特徵的分析方法。例如：
A類：
他贈了幅國畫給我—→他贈給了我一幅國畫
學校獎了三千元給他—→學校獎給了他三千元
B類：
我買了斤香蕉給他—→*我買給了他一斤香蕉
我要了個名額給他—→*我要給了他一個名額
A類句子與B類句子都是連謂句，內部層次結構相同，但表達的語義不同：
A類句子包含兩個動作，但說的是同一件事情（「贈國畫」和「給我」是國畫由他轉移到我的過程）。B類句子也包含兩個動作，但說的彼此分離的兩件事情（「我買了斤香蕉」和「給他」互相分離的兩個過程）。
A類句子與B類句子的不同關鍵在於動詞語義特徵上的差別。
A類句子中的「贈、獎」具有「給予」的語義特徵，而沒有「取得」的語義特徵。B類句子中的動詞「買、要」具有「取得」的語義特徵，而沒有「給予」的語義特徵。
語義指向是指句法結構中的某一成分在語義上指向相關的另一個成分。
語義指向分析就是通過分析句中某一成分的語義指向來解釋和說明某一語法現象的分析方法。
通過語義指向分析，可以把一個狹義同構的句式分化成語義不同的句式。
例如，同為「動詞＋形容詞＋了」的述補結構，其補語的語義指向各不相同。
砍光了（補語指向「砍」的受事，「樹砍光了」）
砍累了（補語指向「砍」的施事，「我砍累了」）
砍快了（補語指向「砍」這一動作的本身，「你砍快了，得慢點砍」）
砍鈍了（補語指向「砍」所利用的工具，「刀砍鈍了」）
砍壞了（補語指向工具或受事，「他把刀砍壞了」、「桌子砍壞了」）
砍疼了（補語指向受事或施事的隸屬部分，「把他的腳砍疼了」、「忙了半天，胳膊都砍疼了」）
語義指向分析的主要作用是在語法形式分析的基礎上進一步進行語義解釋，揭示句法成分之間在語義上的種種聯系，使許多從形式上看來完全相同的結構分化為在語義上並不完全相同的結構。
㈦ 句法分析的應用
句法分析現在主要的應用在於中文信息處理中，如機器翻譯等。它是語塊分析（chunking）思想的一個直接實現，語塊分析通過識別出高層次的結構單元來簡化句子的描述。從不同的句子中找到語塊規律的一條途徑是學習一種語法，這種語法能夠解釋我們所找到的分塊結構。這屬於語法歸納的范疇。
迄今為止，在句法分析領域中存在很多爭議，也許你會發現恰巧有人提出了與你正在努力研究的語法歸納程序偶然產生的相似的句法結構，而且這些也可能已經被當成了句法結構模型的證據。但是，這些找到的結構依賴於學習程序中隱含的歸納偏置。這也指明了另外一個方向，我們需要事先知道模型能夠找到什麼樣的結構，同時應該首先確定我們對句子進行句法分析的目的。這里有各種可能的目的：使用句法結構作為語義解釋的第一步；識別短語語塊，為信息檢索系統的索引服務；構建一個概率句法分析器作為一個優於n元語法的語言模型。這些問題的共同目標是構建這樣的一個系統：對於任意的句子都能夠主產生證明有用的結構，也就是要構建一個句法分析器。
句法分析的三種不同的途徑可以利用概率：
1、利用概率來確定句子：一種可能的做法是將句法分析器看成是一個詞語網路上的語言模型，用來確定什麼樣的詞序列經過網路的時候會獲得最大概率。
2、利用概率來加速語法分析： 第二個目標是利用概率對句法分析器的搜索空間進行排序或剪枝。這使得句法分析器能夠在不影響結果質量的情況下盡快找到最優的分析途徑。
3、利用概率選擇句法分析結果： 句法分析器可以從輸入句子的眾多分析結果中選擇可能性最大的。
㈧ 空間句法，需要用軟體分析嗎一般是什麼軟體啊，可以教教我嗎或許我也可以幫你其他的方面
需要。空間句法現在多用於城市規劃分析，是一種定量的分析方法。現在在我國研究的多採用Axwoman這個軟體，它是一個在Arcgis上應用的插件。通過這個Axwoman，可以提取空間的軸線，從而做相應研究，之後還需要再用Spss等軟體進行數據分析。再一個常用的就是Depthmap這個軟體，這個軟體是開源的，可以直接進行對AutoCAD圖的分析，也可以直接出圖出數據。但是，我現在用的時候發現不能用在Arcgis上~~比較郁悶。。。Confeego貌似用在另外一種平台上~沒記住，我現在在做碩士論文，打算用depthmap，有機會可以交流下哈~希望能幫到你吧
㈨ 句法分析 在 NLP 領域的應用是怎樣的
1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOSQL、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、
因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。
大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於
統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
㈩ 目前常用的自然語言處理開源項目/開發包有哪些
中文主要有：NLTK，HanLP，Ansj，THULAC，結巴分詞，FNLP，哈工大LTP，中科院ICTCLAS分詞，GATE，SnowNLP，東北大學NiuTrans，NLPIR；英文主要有：NLTK，Genism，TextBlob，Stanford NLP，Spacy。英文的開源NLP工具主要參見StackoverFlow-java or python for nlp。HanLP：HanLP是由一系列模型與演算法組成的Java工具包，目標是普及自然語言處理在生產環境中的應用。HanLP具備功能完善、性能高效、架構清晰、語料時新、可自定義的特點。開發語言：Java，網址：hankcs/HanLP，開發機構：大快公司，協議：Apache-2.0功能：非常多，主要有中文分詞，詞性標注，命名實體識別，關鍵詞提取，自動摘要，短語提取，拼音轉換，簡繁轉換，文本推薦，依存句法分析，文本分類：情感分析，word2vec，語料庫工具。