文本挖掘简介_第1页
文本挖掘简介_第2页
文本挖掘简介_第3页
文本挖掘简介_第4页
文本挖掘简介_第5页
已阅读5页,还剩11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

文本挖掘简介文本挖掘简介OutlineIntroductionTF-IDFSimilarityIntroductionWhy?Textmining≈WebminingHow?ClassificationorClusteringRetrieval文本分类一般过程预处理将文档集表示成易于计算机处理的形式

特征表示与选择、降维根据适宜的权重计算方法表示文档中各项的重要性

学习建模构建分类器文本分类预处理去标点、多余空格、数字(可选)大小写统一去停用词(stopwords)没有实际含义的词,比如and,you,have等等统一词根PorterStemmer分词英文?中文特征表示向量空间模型以词项为特征组成高维特征向量TF/IDF得到权值TF-IDFTF(TermFrequency)表示词项频率IDF(InverseDocumentFrequency)逆文档频率TF*IDF值9SimilarityApplications

ManyWeb-miningproblemscanbeexpressedasfinding“similar”sets:Plagiarism/MirrorPages/ArticlesfromtheSameSource/DuplicationRemoveCollaborativeFilteringasaSimilar-SetsProblemRecommendtousersitemsthatwerelikedbyotheruserswhohaveexhibitedsmilartastesMeasurementEditdistanceShorttext,wordsForpersonaltextJaccarddistanceLongtext,ignoringthewordsimilarityForgovernmenttextMicrosoftAcademicSearchPK://academic.research.microsoft/Author/2037349.aspx://academic.research.microsoft/Author/3054641.aspxReal-worldDataisRatherDirty!KennethDeJongKennethDejong2023/1/13Trie-Join@VLDB201011/38Typoin“author”Typoin“title”relaxedrelatedArgyriosZymnisArgyrisZymnisDBLPCompleteSearch2023/1/13Real-worldDataisRatherDirty!Trie-Join@VLDB201012/38ThesimilarityjoinisanessentialoperationfordataintegrationandcleaningPerformasimilarityjoinonNameattribute(findallrecordpairswhoseNameattributesaresimilar)Output:(2037349,3054641),…SimilarityJoinsRIdNameUniv.2037349KennethDeJongGeorge…………3054641KennethDejongGeorge…………2023/1/13Trie-Join@VLDB201013/38NearDuplicateDataOnoneend,awindedPeteSamprastriedtosummonenoughenergytogivetheNewYorkfansanothermemorablewintotalkaboutitonthesubwayridehome.Ontheotherside,RogerFedererworeaslygrinlikeheknewagewasabouttocatchuptotheformerworldNo.1-themanwhoownstherecordof14GrandSlamshewants.03/11/2008|11:28AMByJAYCOHEN,APSportsWriterMar11,4:23amEDTSimilarityJoinTokenize:Eachrecordisasetoftokensfromafiniteuniverse.Supposeeachrecordisasingletextdocumentx=“yesassoonaspossible”y=“assoonaspossibleplease”x={A,B,C,D,E}y={B,C,D,E,F}wordyesassoonas1possbilepleasetokenABCDEF参考文献ChuanXiao,WeiWang,XueminLin,JeffreyXuYu.EfficientSimilarityJoinsforNearDuplicateDetection.WWW200

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。

评论

0/150

提交评论