Google 开放出来的英文 ngram 数据，对我的工作很有帮助。但我通过一些途径联系 LDC 购买，始终得不到回复。阅读我 blog 的朋友，如果有能提供帮助的，烦请联系我，谢谢！

另外，Google Alert 的结果提供了 Feed 输出的方式，可以直接在 Google Reader 里面订阅，非常好用。
 

您可能也喜欢：
Google:在Social和Search之间分裂着 (@alibuybuy)	新版Google Search界面上线 更加鲜艳 (@alibuybuy)	Google Search Quality 官方说明	Google 评价 blog 的指标	Google Suggest and Adwords
无觅

简单陈列一下信息抽取的三大类方法。

1. 基于规则的方法。这个方法解决特定的问题效果比较好，但同时它对被提取信息的要求也比较苛刻。此方法主要基于规则库进行信息抽取，因此，规则库的质量直接绝对了算法的召回率和准确率。通常情况下，尤其是应用在商业项目中，要想编制一个高质量的规则库是不经济的。项目起始不能将此方法作为核心，待有了足够的数据积累之后，通过制作训练模型和算法，可以对整个项目的质量有一定程度的提升。
2. 隐马尔可夫方法。这是经典的信息抽取算法。但它要求信息源的内容之间是有顺序关联的，即，要求数据的排列是有逻辑关系的。对于内容之间相互独立的信息，它的效果不是很好。非常不幸，我这个项目的数据源这是如此。它的内容是分段的，对于这些段落中国人有习惯顺序，但这种习惯顺序并不能抽象化成逻辑关系，因此不适合使用应马尔可夫算法。
3. 基于文本分类的方面。这种方法利用信息之间的独立假设，使用分类算法抽取信息，适用于处理出现次序相互独立信息的抽取问题。配合质量比较高的中文分词算法，信息抽取的精确率与召回率较高。我要做的项目准备以此方法为核心算法。

您可能也喜欢：
利用人物角色来做信息架构 (@alibuybuy)	用户研究思路概述：以淘宝网SNS’分享’为例 (@alibuybuy)	手持设备的可用性研究 (@alibuybuy)	基于生活形态的用户分群研究 (@alibuybuy)	求助
无觅