- 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/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!