2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩3頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、向量空間模型向量空間模型(VectSpaceModel)[29]簡稱VSM這是文本建模中常用的模型之一。它的主要思想是將詞語看成孤立的,互不相關(guān)的,也就是所謂的“詞袋”這樣就可以將文本轉(zhuǎn)化為多維度的空間向量來表示,向量維度一般是詞語,可以用維度的權(quán)重來表示詞語的某些特性。有一篇很長的文章,我要用計(jì)算機(jī)提取它的關(guān)鍵詞(AutomaticKeyphraseextraction),完全不加以人工干預(yù),請問怎樣才能正確做到?這個(gè)問題涉及到數(shù)據(jù)挖

2、掘、文本處理、信息檢索等很多計(jì)算機(jī)前沿領(lǐng)域,但是出乎意料的是,有一個(gè)非常簡單的經(jīng)典算法,可以給出令人相當(dāng)滿意的結(jié)果。它簡單到都不需要高等數(shù)學(xué),普通人只用10分鐘就可以理解,這就是我今天想要介紹的TFIDF算法。讓我們從一個(gè)實(shí)例開始講起。假定現(xiàn)在有一篇長文《中國的蜜蜂養(yǎng)殖》,我們準(zhǔn)備用計(jì)算機(jī)提取它的關(guān)鍵詞。一個(gè)容易想到的思路,就是找到出現(xiàn)次數(shù)最多的詞。如果某個(gè)詞很重要,它應(yīng)該在這篇文章中多次出現(xiàn)。于是,我們進(jìn)行“詞頻“(TermFrequ

3、ency,縮寫為TF)統(tǒng)計(jì)。結(jié)果你肯定猜到了,出現(xiàn)次數(shù)最多的詞是“的“、“是“、“在“這一類最常用的詞。它們叫做“停用詞“(stopwds),表示對找到結(jié)果毫無幫助、必須過濾掉的詞。假設(shè)我們把它們都過濾掉了,只考慮剩下的有實(shí)際意義的詞。這樣又會(huì)遇到了另一個(gè)問題,我們可能發(fā)現(xiàn)“中國“、“蜜蜂“、“養(yǎng)殖“這三個(gè)詞的出現(xiàn)次數(shù)一樣多。這是不是意味著,作為關(guān)鍵詞,它們的重要性是一樣的?顯然不是這樣。因?yàn)椤爸袊笆呛艹R姷脑~,相對而言,“蜜蜂“和“

4、養(yǎng)殖“不那么常見。如果這三個(gè)詞在一篇文章的出現(xiàn)次數(shù)一樣多,有理由認(rèn)為,“蜜蜂“和“養(yǎng)殖“的重要程度要大于如果一個(gè)詞越常見,那么分母就越大,逆文檔頻率就越小越接近0。分母之所以要加1,是為了避免分母為0(即所有文檔都不包含該詞)。log表示對得到的值取對數(shù)。第三步,計(jì)算TFIDF??梢钥吹?,TFIDF與一個(gè)詞在文檔中的出現(xiàn)次數(shù)成正比,與該詞在整個(gè)語言中的出現(xiàn)次數(shù)成反比。所以,自動(dòng)提取關(guān)鍵詞的算法就很清楚了,就是計(jì)算出文檔的每個(gè)詞的TFID

5、F值,然后按降序排列,取排在最前面的幾個(gè)詞。還是以《中國的蜜蜂養(yǎng)殖》為例,假定該文長度為1000個(gè)詞,“中國“、“蜜蜂“、“養(yǎng)殖“各出現(xiàn)20次,則這三個(gè)詞的“詞頻“(TF)都為0.02。然后,搜索Google發(fā)現(xiàn),包含“的“字的網(wǎng)頁共有250億張,假定這就是中文網(wǎng)頁總數(shù)。包含“中國“的網(wǎng)頁共有62.3億張,包含“蜜蜂“的網(wǎng)頁為0.484億張,包含“養(yǎng)殖“的網(wǎng)頁為0.973億張。則它們的逆文檔頻率(IDF)和TFIDF如下從上表可見,“蜜

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論