机器学习算法PPT文本分析1_第1页
机器学习算法PPT文本分析1_第2页
机器学习算法PPT文本分析1_第3页
机器学习算法PPT文本分析1_第4页
机器学习算法PPT文本分析1_第5页
已阅读5页，还剩4页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

文本分析 文本数据 文本分析 停用词 1.! 2. 3.# 4.$ 5.% 6.& 7. 8.( 9.) 10.* 11.+ 12., 13.- 14.- 15. 16. 17. 18. 19. 20./ 21.一 1.一下 2.一个 3.一些 4.一何 5.一切 6.一则 7.一则通过 8.一天 9.一定 10.一方面 11.一旦 12.一时 13.一来 14.一样 15.一次 16.一片 17.一番 18.一直 19.一致 20.一般 21.一起 1.语料中大量出现 2.没啥大用 3.留着过年嘛？ 文本分析 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 文本分析 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 文本分析 Tf-idf：关键词提取 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 文本分析 Tf-idf：关键词提取 文本分析 相似度 文本分析 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
人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论