王：对数相除，评价标准，消除关键词？

XIN：都用到

王：评估方式

XIN：JUNCHAO

盼：对现有的给定的词效果较好？对某一类语料（新闻）？

XIN：当时只有新闻语料库

王：分词，中文是jieba，英文是NLTK。jieba分词之后词元较小，是否需要调研其他分词方法，避免分词太碎？

XIN：讨论之后用的jieba，词分的很细；分词之后再做组合。

秀：是否用过其他针对中文的分词工具？

XIN：北京方面已经做了工作

王（XIN）：衡量不同的分词工具的效果

王：Topic rank是否进行测试？

XIN：英文已经测试过，中文的测试让济南或北京测试（java运行负载太大）

XIN：斯坦福的方法现在可以替换

王：场景适合于提取摘要？很少的关键词？

XIN：text rank，topic rank，句子分类都有些困难；长文章现在成果较好

XIN：工业界涉及到短文章，先通过人工标注一下，再应用NLP技术

王：新闻语料是自己收集的？

XIN：不是通过网络爬取；语料类似于电子图书馆

王：比较常用的学术界语料库？

XIN：万方？

M：做学术论文是否用语料库？

XIN：使用的是新闻语料库，学术新闻，而不是社会新闻

M：新闻语料库来源？

XIN：工程院database

M：评估分词是否与JUNCHAO一起做过？

SHU：jieba（快），清华分词（好）

线下

GUO智能问答

税务事业部：补交税款？

工程工作：使用科大讯飞接口，将语音转变为文本；调用第三方的知识库；

算法工作：NLP分词效果不好，影响智能问答；

M：用户场景？

M：怎样验证提供的材料是否有用？

M：nlp中对text rank是否改变？

王：未

秀：技术中心的分词方法，与Jieba分词不同

M：比较不同分词的结果，比较方式？

秀：1）了解新闻语料的规模，词典。2）技术中心只需要调用服务测试。需要重新找到新的数据集，查看数据集的情况。

秀：找100个句子，字数在100个以上（方便人工标注），用于测试

M：谁负责工作？

秀：看下分词的情况。？？？看下分词效果怎样。

秀：是否调用词库；语料是什么样的？

M：邮件谁负责？

秀：and 王

M：如何做个测试？测试所阐释的用户场景？如何分工？

王：ok

M：静参与进来

M：产品最终的语言定位？

王：.so文件，不太好用，简单的可行。

M：处理算法优化怎么做？

M：1）github源代码2）网上论文