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。
最新文档
- 2026上半年广东江门市开平市医疗卫生事业单位进校园招聘41人备考题库及参考答案详解(培优a卷)
- 影厅施工方案(3篇)
- 施工方案-楼顶水箱(3篇)
- 2026黑龙江齐齐哈尔市龙沙区南航街道公益性岗位招聘1人备考题库带答案详解(能力提升)
- 清除场地施工方案(3篇)
- 畜禽产品营销方案(3篇)
- 2026上海师范大学附属官渡实验学校招聘1人备考题库及答案详解【典优】
- 2026广东清远市英德市人民武装部招聘专项临聘人员1人备考题库附答案详解(能力提升)
- 2026甘肃武威古浪县海子滩镇中心卫生院招聘2人备考题库附参考答案详解(能力提升)
- 2026年甘肃省兰州大学动物医学与生物安全学院聘用制B岗招聘备考题库带答案详解(突破训练)
- 精细化成本管理在介入科成本控制中的应用
- 深度解析(2026)《NBT 10617-2021制氢转化炉炉管寿命评估及更换导则》
- 2026年驾驶证换证三力测试备考题及思路梳理含答案
- 柔韧素质及其训练
- 护理课件:伤口护理技巧
- 2025年广东生物竞赛试卷及答案
- 2025 年智慧城市基础设施与智能网联汽车协同发展研究报告
- 2025年天津春考真题及答案技术
- 梦幻西游协议书
- 创业小财税知识培训课件
- 公路工程监理旁站实施方案
评论
0/150
提交评论