1 人工智能与机器学习

1.1 谈谈人工智能

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。

 1.2 人工智能的三次浪潮

• 1956 Artificial Intelligence提出

1950-1970 符号主义流派：专家系统占主导地位

1950 ：图灵设计国际象棋程序

1962 ： IBM 的跳棋程序战胜人类高手（人工智能第一次浪潮）

• 1980-2000统计主义流派：主要用统计模型解决问题

1993 ： SVM 模型

1997 ： IBM 深蓝战胜象棋选手卡斯帕罗夫（人工智能第二次浪潮）

• 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

2 智能分类

2.1 需求分析

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

<dependency>
<groupId>com.janeluo</groupId>
<artifactId>ikanalyzer</artifactId>
<version>2012_u6</version>
</dependency>

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()+" ");
}
}
}

（1）修改tensquare_common模块的pom.xml ，引入依赖

<dependency>
<groupId>com.janeluo</groupId>
<artifactId>ikanalyzer</artifactId>
<version>2012_u6</version>
</dependency>

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();
}
}

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="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义
script的正则表达式
String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //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
}
}

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);
}
}

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<String>
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<String> getFiles(String path) {
List<String> files = new ArrayList<String>();
File file = new File(path);
File[] tempList = file.listFiles();
for (int i = 0; i < tempList.length; i++) {
if (tempList[i].isFile()) {//如果是文件
files.add(tempList[i].toString());
}
if (tempList[i].isDirectory()) {//如果是文件夹
files.addAll( getFiles(tempList[i].toString()) );
}
}
return files;
}
/**
* 读取文本文件内容到字符串
* @param fileName
* @return
*/
public static String readToString(String fileName) throws IOException
{
String encoding = "UTF‐8";
File file = new File(fileName);
Long filelength = file.length();
byte[] filecontent = new byte[filelength.intValue()];
FileInputStream in = new FileInputStream(file);
in.read(filecontent);
in.close();
return new String(filecontent, encoding);
}
}

（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<String> 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‐‐‐‐‐‐");
}
}