ccworm的专栏

N-Gram是大词汇连续语音识别中常用的一种语言模型，对中文而言，我们称之为汉语语言模型(CLM, Chinese Language Model)。汉语语言模型利用上下文中相邻词间的搭配信息，在需要把连续无空格的拼音、笔划，或代表字母或笔划的数字，转换成汉字串(即句子)时，可以计算出具有最大概率的句子，从而实现到汉字的自动转换，无需用户手动选择，避开了许多汉字对应一个相同的拼音(或笔划串，或数字串

在工作学习中，我往往感叹数学奇迹般的解决一些貌似不可能完成的任务，并且十分希望将这种喜悦分享给大家，就好比说：“老婆，出来看上帝”……  随着信息爆炸时代的来临，互联网上充斥着着大量的近重复信息，有效地识别它们是一个很有意义的课题。例如，对于搜索引擎的爬虫系统来说，收录重复的网页是毫无意义的，只会造成存储和计算资源的浪费；同时，展示重复的信息对于用户来说也并不是最好的体验。造成网页近重复的可

李航博士的书只讲了求得最近邻的一个样本点的检测，但我们实际中要的是k个近邻点。     我的一些猜测是在进行距离比较时，比如k=3,需要同时保存3个最近的距离，那我们可以以当前最近邻点的三个点与目的点的距离为半径，以目的点为圆心，看在这3个半径中，是否有新的样本点落在其中，如果有一个半径中包含新的样本点，kd树就需要转到那个分支上进行检测。     有时间会研究下lire图片搜索引擎中的实现，