- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我想在 PHP 中实现潜在语义分析 (LSA),以便找出文本的主题/标签。
这是我认为我必须做的。 这是正确的吗?我如何用 PHP 编写代码?我如何确定选择哪些词?
我不想使用任何外部库。 I've already an implementation for the Singular Value Decomposition (SVD) .
我希望你能帮助我。非常感谢您!
最佳答案
LSA 链接:
这是完整的算法。如果您有 SVD,那么您已经完成了大部分工作。上面的论文比我解释得更好。
假设:
M:语料库矩阵,w(单词)乘以 d(文档)(w 行,d 列)。这些可以是原始计数,或 tfidf 或其他。可能会或可能不会消除停用词,并且可能会发生词干提取(Landauer 说保留停用词而不是词干,但 tfidf 是的)。
U,Sigma,V = singular_value_decomposition(M)
U: w x w
Sigma: min(w,d) length vector, or w * d matrix with diagonal filled in the first min(w,d) spots with the singular values
V: d x d matrix
Thus U * Sigma * V = M
# you might have to do some transposes depending on how your SVD code
# returns U and V. verify this so that you don't go crazy :)
然后是还原性....实际的 LSA 论文建议一个很好的基近似是保持足够的向量,使得它们的奇异值超过奇异值总数的 50%。
更简洁...(伪代码)
Let s1 = sum(Sigma).
total = 0
for ii in range(len(Sigma)):
val = Sigma[ii]
total += val
if total > .5 * s1:
return ii
这将返回新基础的等级,之前是 min(d,w),我们现在用 {ii} 近似。
(这里,' -> 质数,不是转置)
我们创建新矩阵:U'、Sigma'、V',大小为 w x ii、ii x ii 和 ii x d。
这就是 LSA 算法的本质。
这个结果矩阵 U' * Sigma' * V' 可用于“改进的”余弦相似性搜索,或者您可以为其中的每个文档选择前 3 个词,例如。这是否比简单的 tf-idf 产生的更多是一些争论的问题。
对我来说,LSA 在现实世界的数据集中表现不佳,因为多义词和主题太多的数据集。它的数学/概率基础是不可靠的(它假设正态(高斯)分布,这对字数统计没有意义)。
您的里程肯定会有所不同。
使用 LSA 标记(一种方法!)
使用 SVD 和缩减启发式构建 U'Sigma'V' 维数缩减矩阵
手动查看 U' 矩阵,并提出描述每个“主题”的术语。例如,如果该向量的最大部分是“Bronx、Yankees、Manhattan”,那么“New York City”可能是一个很好的术语。将它们保存在关联数组或列表中。这一步应该是合理的,因为向量的数量是有限的。
假设您有文档的词向量 (v1),则 v1 * t(U') 将为该文档提供最强的“主题”。选择最高的 3 个,然后给出他们在上一步中计算出的“主题”。
关于php - LSA - 潜在语义分析 - 如何用 PHP 编码?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1014927/
我对自定义 CSS 或在将图像作为 Logo 上传到页面时使用编码 block 有疑问。我正在为我的网站使用 squarespace,我需要帮助编码我的 Logo 以使其适合每个页面。一个选项是使用自
如 encoding/json 包文档中所述, Marshal traverses the value v recursively. If an encountered value implement
我必须做一些相当于Java中的iconv -f utf8 -t sjisMS $INPUT_FILE的事情。该命令在 Unix 中 我在java中没有找到任何带有sjisMS的编码。 Java中有Sh
从 PHP 5.3 迁移到 PHP 5.6 后,我遇到了编码问题。我的 MySQL 数据库是 latin1,我的 PHP 文件是 windows-1251。现在一切都显示为“ñëåäíèòå àäðå
我有一个 RScript文件(我们称之为 main.r ),它引用了另一个文件,使用以下代码: source("functions.R") 但是,当我运行 RScript 文件时,它提示以下错误:
我无法设法从 WSDL 创建 RPC/编码风格的代码 - 有谁知道哪个框架可以做到这一点? 带有 adb 和 xmlbeans 映射的 Axis2 无法正常工作(无法处理响应中的肥皂编码)直接使用 X
安装了最新版本的Node.Js()和npm包**(1.2.10)**当我运行 Express 命令来生成项目时,它向我抛出以下错误 buffer.js:240 switch (encoding &
JavaScript中有JSON编码/解码base64编码/解码函数吗? 最佳答案 是的,btoa() 和 atob() 在某些浏览器中可以工作: var enc = btoa("this is so
>>> unicode('восстановление информации', 'utf-16') Traceback (most recent call last): File "", line
我当然熟悉 java.net.URLEncoder 和 java.net.URLDecoder 类。但是,我只需要 HTML 样式的编码。 (我不想将 ' ' 替换为 '+' 等)。我不知道任何只做
有一个非常简单的 SSIS 包: OLE DB Source 通过 View 获取数据(数据库表 nvarchar 或 nchar 中的所有字符串列)。 派生列,用于格式化现有日期并将其添加到数据集(
我正在使用一个在 Node 中进行base64编码的软件,如下所示: const enc = new Buffer('test', 'base64') console.log(enc) 显示: 我正
我试图将带有日语字符的数据插入到 oracle 数据库中。事情是保存在数据库中的是一堆倒置的问号。我该如何解决这个问题 最佳答案 见 http://www.errcode.net/blogs/?p=6
当我在 java 中解压 zip 文件时,我发现文件名中出现了带有重音字符的奇怪行为。 西索: Add File user : L'equipe Technique -- Folder : spec
在网上冲浪我找到了 ExtJS 的 Ext.Gantt 插件,该扩展有一个特殊的编码。任何人都知道如何编码那样或其他复杂的形式。 Encoded Gantt Chart 最佳答案 它似乎被 Dean
我正在用C语言做一个编码任务,我进展顺利,直到读取符号并根据表格分配相应的代码的部分。我必须连接几个代码,直到它们的长度达到 32 位,为此我必须将它们写入一个文件中。这种写入文件的方法给我带来了很多
我有一个外部链接的 javascript 文件。在那个 javascript 里面,我有这个功能: function getMonthNumber(monthName){ monthName = mo
使用mechanize,我检索到一个网页的源页面,其中包含一些非ASCII字符,比如汉字。 代码如下: #using python2.6 from mechanize import Browser b
我有一个包含字母 ø 的文件。当我用这段代码 File.ReadLines(filePath) 读取它时,我得到了一个问号而不是它。 当我像这样添加编码时 File.ReadLines(filePat
如何翻译下面的字符串 H.P. Dembinski, B. K\'{e}gl, I.C. Mari\c{s}, M. Roth, D. Veberi\v{c} 进入 H. P. Dembinski,
我是一名优秀的程序员,十分优秀!