- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有大约 100 兆字节的文本,没有任何标记,分为大约 10,000 个条目。我想自动生成一个“标签”列表。问题是有些词组(即短语)只有组合在一起才有意义。
如果我只计算单词数,我会得到大量非常常见的单词(is、the、for、in、am 等)。我已经统计了它前后的单词和其他单词的数量,但现在我真的不知道下一步该怎么做。与2和3词组相关的信息是存在的,但我如何提取这些数据?
最佳答案
首先,尝试保留输入文本中有关“边界”的信息。
(如果这些信息没有轻易丢失,你的问题暗示可能标记化已经很容易完成)
在标记化(在本例中为单词解析)过程中,寻找可以定义表达式边界(例如标点符号,特别是句点,以及多个 LF/CR 分隔,使用这些。还有像这样的词“the”通常用作边界。这种表达式边界通常是“负的”,从某种意义上说,它们将两个标记实例分开,这些实例肯定不包含在同一表达式中。一些正边界是引号,特别是双引号。这种类型的信息可能有助于过滤掉一些 n-gram(见下一段)。还有单词序列,例如“for example”或“in lieu of”或“need” to"也可以用作表达式边界(但使用此类信息正在逐渐使用我稍后讨论的“先验”)。
在不使用外部数据(输入文本除外)的情况下,您可以通过对文本的二元字母和三元字母(2 的序列和 3 个连续的单词)。那么 [大多数] 具有大量 (*) 实例的序列可能就是您要查找的“表达式/短语”类型。
这种有点粗糙的方法会产生一些误报,但总体上可能是可行的。如第一段中所暗示的那样过滤已知跨越“边界”的 n-gram,可能会有很大帮助,因为在自然语言中,句子结尾和句子开头倾向于从消息空间的有限子集中提取,因此产生可能的标记组合似乎在统计上很好地表示,但通常在语义上不相关。
更好的方法(可能更昂贵、处理方式和设计/投资方式),将使用与输入的领域和/或国家语言相关的额外“先验”文本。
[抱歉,暂时先走了(另外还想了解您的具体目标等的更多详细信息)。稍后我会尝试提供更多细节和要点]
[顺便说一句,我想在这里插入这篇文章中的 Jonathan Feinberg 和 Dervin Thunk 的回复,因为他们在手头任务的方法和工具方面提供了很好的指导。特别是,NTLK 和 Python-at-large 提供了极好的实验框架]
关于从文本中检测短语和关键字的算法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1643616/
这是一个与 Get OS-Version in WinRT Metro App C# 相关的问题但不是它的重复项。 是否有任何选项可以从 Metro 应用程序检测系统上是否有可用的桌面功能?据我所知,
我想在闹钟响起时做点什么。例如, toast 或设置新闹钟。我正在寻找可以检测闹钟何时响起的东西。首先,我在寻找广播 Action ,但找不到。也许是我的错? 当闹钟响起时,还有其他方法可以做些什么吗
如果某个 JS 添加了一个突变观察者,其他 JS 是否有可能检测、删除、替换或更改该观察者?我担心的是,如果某些 JS 旨在破坏某些 DOM 元素而不被发现,那么 JS 可能想要摆脱任何观察该 DOM
Closed. This question does not meet Stack Overflow guidelines。它当前不接受答案。 想要改善这个问题吗?更新问题,以便将其作为on-topi
有没有办法在您的 Activity/应用程序中(以编程方式)知道用户已通过 USB 将您的手机连接到 PC? 最佳答案 有人建议使用 UMS_CONNECTED自最新版本的 Android 起已弃用
我正在想办法测量速度滚动事件,这将产生某种代表速度的数字(相对于所花费的时间,从滚动点 A 到点 B 的距离)。 我欢迎任何以伪代码形式提出的建议...... 我试图在网上找到有关此问题的信息,但找不
某些 JavaScript 是否可以检测 Skype 是否安装? 我问的原因是我想基于此更改链接的 href:如果未安装 Skype,则显示一个弹出窗口,解释 Skype 是什么以及如何安装它,如果已
我们正在为 OS X 制作一个使用 Quartz Events 移动光标的用户空间设备驱动程序,当游戏(尤其是在窗口模式下运行的游戏)无法正确捕获鼠标指针时,我们遇到了问题(= 将其包含/保留在其窗口
我可以在 Controller 中看到事件 $routeChangeStart,但我不知道如何告诉 Angular 留下来。我需要弹出类似“您要保存、删除还是取消吗?”的信息。如果用户选择取消,则停留
我正在解决一个问题,并且已经花了一些时间。问题陈述:给你一个正整数和负整数的数组。如果索引处的数字 n 为正,则向前移动 n 步。相反,如果为负数(-n),则向后移动 n 步。假设数组的第一个元素向前
我试图建立一个条件,其中 [i] 是 data.length 的值,问题是当有超过 1 个值时一切正常,但当只有 1 个值时,脚本不起作用。 out.href = data[i].hr
这是我的问题,我需要检测图像中的 bolt 和四分之一,我一直在搜索并找到 OpenCV,但据我所知它还没有在 Java 中。你们打算如何解决这个问题? 最佳答案 实际上有一个 OpenCV 的 Ja
是否可以检测 ping? IE。设备 1 ping 设备 2,我想要可以在设备 2 上运行的代码,该代码可以在设备 1 ping 设备时进行检测。 最佳答案 ping 实用程序使用的字面消息(“ICM
我每天多次运行构建脚本。我的感觉是我和我的同事花费了大量时间等待这个脚本执行。现在想知道:我们每天花多少时间等待脚本执行? .我可以对总体平均值感到满意,即使我真的很想拥有每天的数据(例如“上周一我们
我已经完成了对项目的编码,但是当我在客户端中提交了源代码时,就对它进行了测试,然后检测到内存泄漏。我已经在Instruments using Leaks中进行了测试。 我遇到的问题是AVPlayer和
我想我可以用 std.traits.functionAttributes 来做到这一点,但它不支持 static。对于任何类型的可调用对象(包含 opCall 的结构),我如何判断该可调用对象是否使用
我正在使用多核 R 包中的并行和收集函数来并行化简单的矩阵乘法代码。答案是正确的,但并行版本似乎与串行版本花费的时间相同。 我怀疑它仅在一个内核上运行(而不是在我的机器上可用的 8 个内核!)。有没有
我正在尝试在读取 csv 文件时编写一个这样的 if 语句: if row = [] or EOF: do stuff 我在网上搜索过,但找不到任何方法可以做到这一点。帮忙? 最佳答案 wit
我想捕捉一个 onFontSizeChange 事件然后做一些事情(比如重新渲染,因为浏览器已经改变了我的字体大小)。不幸的是,不存在这样的事件,所以我必须找到一种方法来做到这一点。 我见过有人在不可
我有一个使用 Windows 服务的 C# 应用程序,该服务并非始终打开,我希望能够在该服务启动和关闭时发送电子邮件通知。我已经编写了电子邮件脚本,但我似乎无法弄清楚如何检测服务状态更改。 我一直在阅
我是一名优秀的程序员,十分优秀!