- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
我正在尝试创建一种算法,根据在网页上找到的关键字设置与网页的相关性。
我现在正在这样做:
我为它们设置了一些词和一个值:“电影”(10)、“电影院”(6)、“ Actor ”(5) 和 “hollywood”(4) 并搜索页面的某些部分,为每个部分赋予权重并乘以单词权重。
示例:在URL(1.5) * 10 和标题(2.5) * 10 中找到了“电影”字词 = 40
这是垃圾!这是我的第一次尝试,它返回了一些相关结果,但我认为由 244、66、30、15 这样的值确定的相关性没有用。
我想做一些在范围内的事情,从 0 到 1 或 1 到 100。
我可以使用哪种类型的词权重?
除主要内容外,还有现成的算法可以根据 URL、关键字、标题等设置 HTML 页面的相关性吗?
编辑 1:所有这些都可以重建,权重是随机的,我想使用一些简洁的权重,而不是 ramdon 数字来表示权重,如 10、5 和 3。
类似于:低重要性 = 1
,中等重要性 = 2
,高重要性 = 4
,确定性重要性 = 8
.
Title > URL 的链接部分 > Domain > Keywords
movie > cinema> actor > 好莱坞
编辑 2: 目前,我想分析不包括页面的 body content
的单词的页面相关性。我将在分析中包括域、url 的链接部分、标题、关键字(以及我认为有用的其他元信息)。
这是因为HTML内容脏了。我可以在菜单和广告中找到很多像“电影”这样的词,但页面的主要内容不包含任何与主题相关的内容。
另一个原因是有些页面有元信息表明页面包含有关电影的信息,但主要内容没有。示例:包含讲述历史、人物等的电影情节的页面,但不要在该文本中引用任何可以表明这是关于电影的内容,仅引用页面元信息。
稍后,在对 HTML 页面运行相关性分析后,我将分别对内容(过滤)进行相关性分析。
最佳答案
您能否在搜索引擎中为这些文档编制索引?如果你是那么也许你应该考虑使用这个 latent semantic library .
您可以从这里获取实际项目:https://github.com/algoriffic/lsa4solr
您要做的是确定文本语料库的含义,并根据其含义对其进行分类。然而,单词并不是单独唯一的,也不是从整篇文章中抽象出来的。
例如,假设您有一篇文章大量谈论“Windows”。这个词在一篇 300 字的文章中出现了 7 次。所以你知道这很重要。但是,您不知道的是,它是在谈论操作系统“Windows”还是您浏览的东西。
然后假设您还看到诸如“安装”之类的词,嗯,这对您也没有任何帮助。因为人们在家里安装 window 就像安装 Windows 操作系统一样。但是,如果同一篇文章谈论碎片整理、操作系统、命令行和 Windows 7,那么您可以猜到该文档的含义实际上是关于 Windows 操作系统的。
但是,您如何确定这一点?
这就是 Latent Semantic Indexing 的用武之地。您要做的是提取整个文档文本,然后对该文档应用一些巧妙的分析。
您构建的矩阵 (see here) 超出了我的理解范围,尽管我已经查看并使用了一些库,但我一直无法完全理解构建空间背后的复杂数学潜在语义分析未使用的感知矩阵......所以在我的建议中,我建议,只需使用一个已经存在的库来为你做这件事。
如果您不是在寻找外部库而是想自己做,很高兴删除这个答案
关于java - 如何构建算法以根据关键字对 HTML 页面进行分类?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7286670/
我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合。 假设我的数据集如下所示: Project Cost
我想要一种图形化且有吸引力的方式来表示二进制数据的列总和,而不是表格格式。我似乎无法让它发挥作用,尽管有人会认为这将是一次上篮。 数据看起来像这样(我尝试创建一个可重现的示例,但无法让代码填充 0 和
我有一个简单的类别模型: class Category(models.Model): name = models.CharField(max_length=200) slug = mo
我正在开发一个知识系统,当用户进入一道菜时,该系统可以返回酒。我的想法是根据用户的输入为每个葡萄酒类别添加分数,然后显示最适合的葡萄酒类别的前 3 个。例如,如果有人输入鱼,那么知识库中的所有红葡萄酒
我目前正在研究流失问题的预测模型。 每当我尝试运行以下模型时,都会收到此错误:至少一个类级别不是有效的 R 变量名称。这将在生成类概率时导致错误,因为变量名称将转换为 X0、X1。请使用可用作有效 R
如何对栅格重新分类(子集)r1 (与 r2 具有相同的尺寸和范围)基于 r2 中的以下条件在给定的示例中。 条件: 如果网格单元格值为 r2是 >0.5 ,保留>0.5中对应的值以及紧邻0.5个值的相
我想知道在 java 中进行以下分类的最佳方法是什么。例如,我们有一个简单的应用程序,其分类如下: 空气 -----电机类型 -----------平面对象 -----非电机型 -----------
这是一个非常基本的示例。但我正在做一些数据分析,并且不断发现自己编写非常类似的 SQL 计数查询来生成概率表。 我的表被定义为值 0 表示事件未发生,而值 1 表示事件确实发生。 > sqldf(
假设我有一组护照图像。我正在开展一个项目,我必须识别每本护照上的姓名,并最终将该对象转换为文本。 对于标签(或分类(我认为是初学者))的第一部分,每本护照上都有姓名,我该怎么做? 我可以使用哪些技术/
我有这张图片: 我想做的是在花和树之间对这张图片进行分类,这样我就可以找到图片中被树木覆盖的区域,以及被那些花覆盖的区域。 我在想这可能是某种 FFT 问题,但我不确定它是如何工作的。单个花的 FFT
我的数据集有 32 个分类变量和一个数值连续变量(sales_volume) 首先,我使用单热编码 (pd.get_dummies) 将分类变量转换为二进制,现在我有 1294 列,因为每一列都有多个
我正在尝试学习一些神经网络来获得乐趣。我决定尝试从 kaggle 的数据集中对一些神奇宝贝传奇卡进行分类。我阅读了文档并遵循了机器学习掌握指南,同时阅读了媒体以尝试理解该过程。 我的问题/疑问:我尝试
我目前正在进行推文情绪分析,并且有几个关于步骤的正确顺序的问题。请假设数据已经过相应的预处理和准备。所以这就是我将如何进行: 使用 train_test_split(80:20 比例)停止测试数据集。
一些上下文:Working with text classification and big sparse matrices in R 我一直在研究 text2vec 的文本多类分类问题。包装和 ca
数据 我有以下(简化的)数据集,我们称之为 df从现在开始: species rank value 1
我一直在尝试创建一个 RNN。我总共有一个包含 1661 个单独“条目”的数据集,每个条目中有 158 个时间序列坐标。 以下是一个条目的一小部分: 0.00000000e+00 1.9260968
我有一个关于机器学习的分类和回归问题。第一个问题,以下数据集 http://it.tinypic.com/view.php?pic=oh3gj7&s=8#.VIjhRDGG_lF 我们可以说,数据集是
我用1~200个数据作为训练数据,201~220个作为测试数据格式如下:3 个类(类 1、类 2、类 3)和 20 个特征 2 1:100 2:96 3:88 4:94 5:96 6:94 7:72
我有 2 个基于多个数字特征(例如 v1….v20)的输出类别(好和差)。 如果 v1、v2、v3 和 v4 为“高”,则该类别为“差”。如果 v1、v2、v3 和 v4 为“低”,则该类别为“好”
我遇到了使用朴素贝叶斯将文档分类为各种类别问题的问题。 实际上我想知道 P(C) 或我们最初掌握的类别的先验概率会随着时间的推移而不断变化。例如,对于类(class) - [音乐、体育、新闻] 初始概
我是一名优秀的程序员,十分优秀!