第75章 CTO的位置，随时为你留着！(1/3)
“学长，今后语义识别肯定会进入NLP时代，这个方向，毋庸置疑。”“但现在，路径不对。”
Robin抬头看着余江，示意他继续。
只见余江微微一笑：“你们现在是不是双向最大词典匹配分词？正向扫一遍、逆向扫一遍，拼词典凑结果，同时不断增加词典。”
“但遇到NJ市长江大桥这种情况还是很烦，对吧？”
Robin瞬间愣住，深深地看了余江一眼。
“你研究过？”
“我猜的。”
Robin眉头皱起，显然不信。
余江微笑道：“学长，这样吧，你也别买我的导航网站了……我接入你们的搜索，但不管我这边搜索量多大，你都不收我的钱……而且今后有了盈利模式，你都不能把lai123抛开，利润我们五五开，怎么样？”
Robin再次一怔：“这是你答应加入百度的条件？”
“不，是我帮你在现有条件下，解决分词困境的条件。”
Robin的眼睛瞬间睁大！
他几乎强忍着才没又站起身来。
听他的意思？是他刚才想了那么一会，就想到解决分词问题的方向了？
Robin几乎是惊恐地盯着他：“你别告诉我，你刚才那一会，就想到了更好的分词技术？”
“刚才想了想……应该没问题。”
Robin以为自己见鬼了。
但当看到对面那自信坦然的神色时候，他瞬间告诉自己，要冷静，别犯蠢。
深呼吸数下后，他迅速评估了lai123的流量，又评估了分词技术的重要性。
片刻后，Robin深深吸气，又缓缓点头。
“只要你能解决，我答应你！”
余江也痛快点头：“申请专利，我只要一半就行。”
Robin沉声道：“可以！如果真解决，我给你专利费！”
余江当下再不墨迹，伸手拿过一张用了一半的A4纸，翻到背面，直接落笔。
——统计语言模型
——马尔可夫链式假设
——2-Gram
——P(wn∣w1，w2...wn?1)=P(wn∣wn?1)
——3-Gram
——P(wn∣w1，w2...wn?1)=P(wn∣wn?2，wn?1)
——P(w2∣w1)=Count(w1w2)/Count(w1)
……
“……统计全网语料，数w1后面紧跟 w2出现多少次，除以 w1单独出现多少次。譬如‘NJ市长江大桥’，‘南京’后面跟‘市’概率极高，‘市长’后面跟‘江’的概率无限趋近 0，直接消除歧义。”
余江一边写着，一边介绍。
Robin早已起身，他扶着床架，眼睛仿佛要掉进纸里。
宿舍里一片安静。
李茂低头认真看书，林应松保持动作不变，只是眼睛间或快速扫一遍，周宇几个人更是头也不抬。
都在假装很忙。
小余哥说的，已经超越了他们的知识边界。
余江盯着草稿纸：“我再想想。”
“……最后再加入拉普拉斯平滑。”
余江瞥了一眼Robin，快速写下最后一个公式。
——P(w3∣w1w2)=[Coun