㈠ 常用的开源软件有哪些
1、Dolibarr
Dolibarr是一个免费的开源ERP软件包，该软件为中小型实体、基金会和自由职业者提供大量的业务和组织解决方案。它的主要特点是企业资源规划（ERP）和客户关系管理（CRM），这些是当今复杂和数据丰富的组织的基本功能。
2、WinSSHTerm
WinSSHTerm是一款绿色单文件SSH客户端工具，这款工具结合了PuTTY／KiTTY，Winscp和VcXsrv等多个开源工具，还包括对复制文件和启动X应用程序的内置支持，方便用户直接使用。
3、IconMeter
IconMeter是一款开源免费，简单实用的系统监测工具，它是一个适用于MSWindows的小型notifyicon系统性能表。采用c＃制作，显示小的notifyicon，可以在小条形图中显示当前的CPU、内存、磁盘和网络负载等信息，直观方便。
4、RedisDesktopManagerwindows
RedisDesktopManagerwindows是一款简单快速、跨平台的Redis桌面管理工具，也被称作Redis可视化工具，是一款开源软件，支持通过SSHTunnel连接，支持windows、mac等多平台。
5、Catfish（鲶鱼）Blog
Catfish（鲶鱼）Blog是一款开源的PHPBlog系统，其衍生于优秀的内容管理系统：Catfish（鲶鱼）CMS，秉承了Catfish（鲶鱼）CMS的先进设计理念，并且专注于个人博客系统，使用十分便捷。
㈡ 中文方面比较好的依存句法分析工具有哪些
在汉语中什么是宾语 定语 动语 状语 补语：宾语：谓语动词的支配对象.定语：用在主语或宾语之前,对它们起修饰或限制作用（的字前面的内容）.状语：用在谓语动词前或是特定的位置中,一般在“地”字前补语：对谓语动词的补充说明,一般在“得”字后.动语,又称“述语”,它是用来指称跟宾语依存共现成分的句法成分.动语可以单独由动词充当,如上例.但更常见的是由动词带上补语构成.如“我们要学好现代汉语.”兼属动词的形容词也可作动语.如“弟弟小（形容词）我三岁.”由此可见,动语不同于动词：动语是就句法成分而言,动词是就词类而言的.没有宾语也就没有动语,动语是为了贯彻句法成分对句法成分的原则而拟定的名称.但是为了少用新术语,也由于跟宾语相对的成分主要是由动词或动词短语充当,有些论着和教材不明确区分动语和动词.
㈢ 特征词提取的开源工具有哪些
联分析方法，得到频繁集。再删除不是特征 词的频繁集。利用关联分析法可找到频率较高的特征词，但找不到低频率的 特征词。基于上述思想，利用高频特征词找到对应的观点词，然后利用观点 词找出附近低频特征词，可以提高召回率。 4. 文献[13]提出一种利用互信息（PMI）的特征提取方法。该方法首先提取出 频率高于某一阈值的名词或名词短语来作为候选特征词，然后利用搜索引擎
㈣ 开源数据挖掘工具有哪些
1、RapidMiner该工具是用Java语言编写的，通过基于模板的框架提供先进的分析技术。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。值得一提的是，该工具在数据挖掘工具榜上位列榜首。
另外，除了数据挖掘，RapidMiner还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。更厉害的是它还提供来自WEKA(一种智能分析环境)和R 脚本的学习方案、模型和算法。
RapidMiner分布在AGPL开源许可下，可以从SourceForge上下载。SourceForge是一个开发者进行开发管理的集中式场所，大量开源项目在此落户，其中就包括维基网络使用的MediaWiki。
2、WEKA
WEKA原生的非Java版本主要是为了分析农业领域数据而开发的。该工具基于Java版本，是非常复杂的，并且应用在许多不同的应用中，包括数据分析以及预测建模的可视化和算法。与RapidMiner相比优势在于，它在GNU通用公共许可证下是免费的，因为用户可以按照自己的喜好选择自定义。
WEKA支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取。
添加序列建模后，WEKA将会变得更强大，但目前不包括在内。
3、R-Programming
如果我告诉你R项目，一个GNU项目，是由R(R-programming简称，以下统称R)自身编写的，你会怎么想它主要是由C语言和FORTRAN语言编写的，并且很多模块都是由R编写的，这是一款针对编程语言和软件环境进行统计计算和制图的免费软件。R语言被广泛应用于数据挖掘，以及开发统计软件和数据分析中。近年来，易用性和可扩展性也大大提高了R的知名度。
除了数据，它还提供统计和制图技术，包括线性和非线性建模，经典的统计测试，时间序列分析、分类、收集等等。
㈤ JAVA开源大数据查询分析引擎有哪些方案
在大数据处理分析过程中常用的六大工具：HadoopHadoop是一个能够对大量数据进行分布式处理的软件框架。但是Hadoop是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。Hadoop是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。Hadoop还是可伸缩的，能够处理PB级数据。此外，Hadoop依赖于社区服务器，因此它的成本比较低，任何人都可以使用。HPCCHPCC，(高性能计算与通信)的缩写。1993年，由美国科学、工程、技术联邦协调理事会向国会提交了逗重大挑战项目：高性能计算与通信地的报告，也就是被称为HPCC计划的报告，即美国总统科学战略项目，其目的是通过加强研究与开发解决一批重要的科学与技术挑战问题。HPCC是美国实施信息高速公路而上实施的计划，该计划的实施将耗资百亿美元，其主要目标要达到：开发可扩展的计算系统及相关软件，以支持太位级网络传输性能，开发千兆比特网络技术，扩展研究和教育机构及网络连接能力。StormStorm是自由的开源软件，一个分布式的、容错的实时计算系统。Storm可以非常可靠的处理庞大的数据流，用于处理Hadoop的批量数据。Storm很简单，支持许多种编程语言，使用起来非常有趣。ApacheDrill为了帮助企业用户寻找更为有效、加快Hadoop数据查询的方法，Apache软件会近日发起了一项名为逗Drill地的开源项目。ApacheDrill实现了Google'sDremel.据Hadoop厂商MapRTechnologies公司产品经理TomerShiran介绍，逗Drill地已经作为Apache孵化器项目来运作，将面向全球软件工程师持续推广。RapidMinerRapidMiner是世界领先的数据挖掘解决方案，在一个非常大的程度上有着先进技术。它数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。
㈥ 现代汉语中的句子分析法有哪些具体怎么分析
主要有（一）句子成分分析法
（二）层次分析法
（三）其他句子分析方法
句子成分分析法又称“中心词分析法”，是传统语法学使用的句子分析方法。
①句子分析就是分析一个句子（单句）的句子成分。
句子成分有六种——主语、谓语、宾语、定语、状语、补语。
②词与句子成分之间存在对应关系，短语中只有联合短语和主谓短语可以直接充当句子成分。
③主语和谓语是主要成分，宾语和补语是次要成分，定语和状语是附加成分。
把主谓短语看作句子，认为句子总是由主谓短语充当。当主谓短语在句中作成分时，就叫做“小句”或“句子形式”；将非主谓句称作“无主句”。
④偏正短语要先找出其中的中心语，述宾短语或述补短语要先找出其中的谓语中心词。
在分析过程中：
首先将句子分为主语部分和谓语部分，找出全句的主要成分——主语和谓语；
再看谓语由哪种动词充当，以及后面跟着的宾语和补语；
在主语部分找出附加在主语前面的定语，在谓语部分找出附加在谓语前的状语。
例如分析“未来几十年里，地球能源将面临严重的短缺问题”。
第一步：找出主要成分
未来几十年里，我们生活的地球能源将面临严重的短缺问题。
第二步：找出次要成分
未来几十年里，我们生活的地球能源将面临严重的短缺问题。
第三步：找出附加成分
[未来几十年里]，（我们生活）的地球能源[将]面临（严重）的（短缺）问题。
层次分析法，又称“直接成分分析法”，是对句法单位（包括短语和句子）的直接成分进行结构层次分析的方法。由于切分过程中尽可能采用二分，所以层次分析法又称作“二分法”。
语法从表面上看是线性排列的符号序列。线性排列是指按照时间先后顺序说出或写出的形式。但是语法结构却是有层次性的，层次是指句法单位在组合时所反映出来的不同的先后顺序。
表层的线性关系背后暗含着隐性的层次关系。小的语法单位是大语法单位的组成部分，大的语法单位是由小的语法单位组合而成的，本身又可以成为更大语法单位的组成部分。
语法结构的每个层次一般直接包含比它小的两个语法单位，这两个小的语法单位就是直接成分。每一个直接成分又可以包含更小的直接成分。
例如：
我们 进行 社会 调查 分析过程
|主||____谓_______|
|_述 | 宾____ |
|_定）中 | 更多例子
层次分析法就是逐层将一个句法单位（联合短语等由多个直接成分组成的短语除外）切分成两个直接成分，直到不能再切分为止的句子分析方法。
层次分析法的分析过程主要包括两个步骤：第一步是切分结构层次，第二步是确定结构关系。
例如：
他 去年 去 了 一趟 美国。 分析过程
|__||___________________| 主谓关系
|___||______________| 状中关系
|________| |__| 述宾关系
|_| |___| 述补关系 更多例子
切分过程中应注意：
①第一步切分非常重要，第一步切分不当，后面便容易全都切错。
②必须逐层切分，直至分析出每个实词，语素不需要切分。
③为避免切分过程中的遗漏，一般采用从左到右、从上到下、逐块切分的分析步骤。
层次分析法中常用的图解表示法是切分法、组合法和树形图。
①切分法
切分法是最常用的方法，将所要分析的短语或句子作为一个整体，从大到小，逐层切分。
例如：
申奥 成功 有助于 中国 的 改革 与 开放。 分析过程
|_ 主 __| |______ 谓 ________________|
|主| |谓| |_述_ |______ 宾___________|
|__ 定_）_ 中_______|
| 联 + 合 |
②组合法
组合法是把所要分析的短语或句子切分到单词，然后从小到大，依次组合起来。例如：
他 弟弟 在 北京 念 大学 分析过程
|_定中_| |_介宾_| |_述宾_|
| |____状中____|
|_____主谓______|
③树形图
树形图是把有关的结构分析用竖线和斜线连接起来，从而显示出句法单位内部的结构关系。例如：
S
/ \
主语 谓语
/ \ / \
偏 正 述 宾
| | | |
取暖 设备 出现 故障 分析过程
（三）其他句子分析方法
1、变换分析
2、语义特征分析
3、语义指向分析
变化分析是通过移位、添加、删除、替换等方法来考察两种句法结构之间的关系和变换规则的分析方法。 变换分析着眼于句法结构的外部分析，考察具有内在联系的不同句法结构之间的联系。例如：
A、台上坐着主席团
B、台上演着梆子戏
C、山上架着炮
三个例句包含的词类相同（处所名词+动词+助词+名词），排列顺序相同，内部层次关系相同，但是A句表示静态意义（台上有主席团）、B句表示动态意义（梆子戏正在上演）、C句既可表示静态意义（山上有炮），也可表示动态意义（山上正在架炮）。
下面我们通过变换分析法分析三个句子。
A句可以变换为“主席团坐在台上”。类似的例子如：
门口站着人—→人站在门口 床上躺着人—→人躺在床上
黑板上写着字—→字写在黑板上 墙上挂着画—→画挂在墙上
B句可以变换为“台上正在演梆子戏”。类似的例子如：
外面下着大雨—→外面正在下大雨 操场上放着电影—→操场上正在放电影
教室里上着课—→教室里正在上课 隔壁打着电话—→隔壁正在打电话
C句既可以按照A句模式变换，也可以按照B句模式变换。
山上架着炮—→炮架在山上/山上正在架炮
类似的例子如：院墙外修着马路—→马路修在院墙外/院墙外正在修马路
通过变换分析，不但将内部层次关系相同的“台上坐着主席团”、“台上演着梆子戏”、“山上架着炮”区别开来，而且分化了类似“山上架着炮”的歧义。
语义特征分析是分析和概括同一句式中处于相同位置上的词所共有的语义特征的分析方法。例如：
A类：
他赠了幅国画给我—→他赠给了我一幅国画
学校奖了三千元给他—→学校奖给了他三千元
B类：
我买了斤香蕉给他—→*我买给了他一斤香蕉
我要了个名额给他—→*我要给了他一个名额
A类句子与B类句子都是连谓句，内部层次结构相同，但表达的语义不同：
A类句子包含两个动作，但说的是同一件事情（“赠国画”和“给我”是国画由他转移到我的过程）。B类句子也包含两个动作，但说的彼此分离的两件事情（“我买了斤香蕉”和“给他”互相分离的两个过程）。
A类句子与B类句子的不同关键在于动词语义特征上的差别。
A类句子中的“赠、奖”具有“给予”的语义特征，而没有“取得”的语义特征。B类句子中的动词“买、要”具有“取得”的语义特征，而没有“给予”的语义特征。
语义指向是指句法结构中的某一成分在语义上指向相关的另一个成分。
语义指向分析就是通过分析句中某一成分的语义指向来解释和说明某一语法现象的分析方法。
通过语义指向分析，可以把一个狭义同构的句式分化成语义不同的句式。
例如，同为“动词＋形容词＋了”的述补结构，其补语的语义指向各不相同。
砍光了（补语指向“砍”的受事，“树砍光了”）
砍累了（补语指向“砍”的施事，“我砍累了”）
砍快了（补语指向“砍”这一动作的本身，“你砍快了，得慢点砍”）
砍钝了（补语指向“砍”所利用的工具，“刀砍钝了”）
砍坏了（补语指向工具或受事，“他把刀砍坏了”、“桌子砍坏了”）
砍疼了（补语指向受事或施事的隶属部分，“把他的脚砍疼了”、“忙了半天，胳膊都砍疼了”）
语义指向分析的主要作用是在语法形式分析的基础上进一步进行语义解释，揭示句法成分之间在语义上的种种联系，使许多从形式上看来完全相同的结构分化为在语义上并不完全相同的结构。
㈦ 句法分析的应用
句法分析现在主要的应用在于中文信息处理中，如机器翻译等。它是语块分析（chunking）思想的一个直接实现，语块分析通过识别出高层次的结构单元来简化句子的描述。从不同的句子中找到语块规律的一条途径是学习一种语法，这种语法能够解释我们所找到的分块结构。这属于语法归纳的范畴。
迄今为止，在句法分析领域中存在很多争议，也许你会发现恰巧有人提出了与你正在努力研究的语法归纳程序偶然产生的相似的句法结构，而且这些也可能已经被当成了句法结构模型的证据。但是，这些找到的结构依赖于学习程序中隐含的归纳偏置。这也指明了另外一个方向，我们需要事先知道模型能够找到什么样的结构，同时应该首先确定我们对句子进行句法分析的目的。这里有各种可能的目的：使用句法结构作为语义解释的第一步；识别短语语块，为信息检索系统的索引服务；构建一个概率句法分析器作为一个优于n元语法的语言模型。这些问题的共同目标是构建这样的一个系统：对于任意的句子都能够主产生证明有用的结构，也就是要构建一个句法分析器。
句法分析的三种不同的途径可以利用概率：
1、利用概率来确定句子：一种可能的做法是将句法分析器看成是一个词语网络上的语言模型，用来确定什么样的词序列经过网络的时候会获得最大概率。
2、利用概率来加速语法分析： 第二个目标是利用概率对句法分析器的搜索空间进行排序或剪枝。这使得句法分析器能够在不影响结果质量的情况下尽快找到最优的分析途径。
3、利用概率选择句法分析结果： 句法分析器可以从输入句子的众多分析结果中选择可能性最大的。
㈧ 空间句法，需要用软件分析吗一般是什么软件啊，可以教教我吗或许我也可以帮你其他的方面
需要。空间句法现在多用于城市规划分析，是一种定量的分析方法。现在在我国研究的多采用Axwoman这个软件，它是一个在Arcgis上应用的插件。通过这个Axwoman，可以提取空间的轴线，从而做相应研究，之后还需要再用Spss等软件进行数据分析。再一个常用的就是Depthmap这个软件，这个软件是开源的，可以直接进行对AutoCAD图的分析，也可以直接出图出数据。但是，我现在用的时候发现不能用在Arcgis上~~比较郁闷。。。Confeego貌似用在另外一种平台上~没记住，我现在在做硕士论文，打算用depthmap，有机会可以交流下哈~希望能帮到你吧
㈨ 句法分析 在 NLP 领域的应用是怎样的
1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统
计
学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如
果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数
据处理： 自然语言处理(NLP，Natural Language
Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理
解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析：
假设检验、显着性检验、差异分析、相关分析、T检验、 方差分析 、
卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、
因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数
据挖掘： 分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity
grouping or association rules）、聚类（Clustering）、描述和可视化、Description and
Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。
大数据的处理
1. 大数据处理之一：采集
大
数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的
数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除
此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时
有可能会有成千上万的用户
来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间
进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些
海量数据进行有效的分析，还是应该将这
些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使
用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统
计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通
的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于
MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与
前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数
据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于
统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并
且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
㈩ 目前常用的自然语言处理开源项目/开发包有哪些
中文主要有：NLTK，HanLP，Ansj，THULAC，结巴分词，FNLP，哈工大LTP，中科院ICTCLAS分词，GATE，SnowNLP，东北大学NiuTrans，NLPIR；英文主要有：NLTK，Genism，TextBlob，Stanford NLP，Spacy。英文的开源NLP工具主要参见StackoverFlow-java or python for nlp。HanLP：HanLP是由一系列模型与算法组成的Java工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。开发语言：Java，网址：hankcs/HanLP，开发机构：大快公司，协议：Apache-2.0功能：非常多，主要有中文分词，词性标注，命名实体识别，关键词提取，自动摘要，短语提取，拼音转换，简繁转换，文本推荐，依存句法分析，文本分类：情感分析，word2vec，语料库工具。