• 003-文本分析


     

     

    停用词

    1.语料中大量出现

    2.没啥大用

    3.留着过年嘛?

     

     

    Tf-idf:关键词提取

    《中国的蜜蜂养殖》: 进行词频(Term Frequency,缩写为TF)统计

    出现次数最多的词是----“的”、“是”、“在”----这一类最常用的词(停用词)

    “中国”、“蜜蜂”、“养殖”这三个词的出现次数一样多,重要性是一样的?

    "中国"是很常见的词,相对而言,"蜜蜂"和"养殖"不那么常见

     

     

    "逆文档频率"(Inverse Document Frequency,缩写为IDF)

    如果某个词比较少见,但是它在这篇文章中多次出现,那么它很可能就反映了这篇文章的特性
    正是我们所需要的关键词

    《中国的蜜蜂养殖》:假定该文长度为1000个词,"中国"、"蜜蜂"、"养殖"各出现20次,则这三个词的"词频"(TF)都为0.02

    搜索Google发现,包含"的"字的网页共有250亿张,假定这就是中文网页总数。
    包含"中国"的网页共有62.3亿张,包含"蜜蜂"的网页为0.484亿张,包含"养殖"的网页为0.973亿张

     

     Tf-idf:关键词提取

     

    相似度

    相似度
    句子A:我喜欢看电视,不喜欢看电影。
    句子B:我不喜欢看电视,也不喜欢看电影。
    分词:
    句子A:我/喜欢/看/电视,不/喜欢/看/电影。
    句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。
    语料库:我,喜欢,看,电视,电影,不,也。
    词频:
    句子A:我1,喜欢2,看2,电视1,电影1,不1,也0。
    句子B:我1,喜欢2,看2,电视1,电影1,不2,也1。
    词频向量:
    句子A:[1, 2, 2, 1, 1, 1, 0]
    句子B:[1, 2, 2, 1, 1, 2, 1]

    word2vector

     

     

     

    相似度(向量内积)

     

     

  • 相关阅读:
    查看mongodb的状态
    superset----缓存之redis
    superset--presto sql
    linux----之tcpdump小用
    Git版本回退的最佳方式
    SpringBoot 热部署
    不使用Tomcat,手写简单的web服务
    Spring Security 入门
    Maven总结
    git高级用法
  • 原文地址:https://www.cnblogs.com/Mjerry/p/9744297.html
Copyright © 2020-2023  润新知