- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我敢打赌,这种情况很常见。您有一个博客或新闻网站,并且有大量文章或博客或无论您如何调用它们,并且您想在每篇文章的底部推荐其他似乎相关的内容。
假设有关每个项目的元数据非常少。也就是说,没有标签、类别。将其视为一大块文本,包括标题和作者姓名。
您如何找到可能相关的文档?
我对实际的算法非常感兴趣,而不是现成的解决方案,尽管我可以看看用 ruby 或 python 实现的东西,或者依赖 mysql 或 pgsql。
编辑:当前的答案非常好,但我想看到更多。也许有一些非常简单的示例代码用于一两件事。
最佳答案
这是一个相当大的话题——除了人们在这里给出的答案之外,我建议跟踪一些信息检索类(class)的教学大纲,并查看为其分配的教科书和论文。也就是说,以下是我自己研究生时代的简要概述:
最简单的方法称为 bag of words 。每个文档都被简化为 {word: wordcount}
对的稀疏向量,您可以在表示文档集的向量集中抛出 NaiveBayes(或其他一些)分类器,或者计算相似度每个包与其他每个包之间的分数(这称为 k 最近邻分类)。 KNN 查找速度很快,但需要 O(n^2) 存储分数矩阵;然而,对于博客来说,n 并不是很大。对于大报纸大小的东西,KNN 很快就变得不切实际,因此动态分类算法有时会更好。在这种情况下,您可能会考虑 ranking support vector machine 。 SVM 很简洁,因为它们不会将您限制在线性相似性度量上,而且速度仍然相当快。
Stemming是词袋技术的常见预处理步骤;这涉及到在计算词袋之前将形态相关的单词(例如“cat”和“cats”、“Bob”和“Bob's”或“similar”和“similarly”)减少到其词根。有很多不同的词干算法;维基百科页面有几个实现的链接。
如果词袋相似度不够好,您可以将其抽象为 N 元语法袋相似度,在其中创建表示基于单词对或三元组的文档的向量。 (您可以使用 4 元组甚至更大的元组,但实际上这没有多大帮助。)这样做的缺点是会产生更大的向量,并且分类将相应地需要更多工作,但您获得的匹配会更接近从句法上来说。 OTOH,您可能不需要这个来实现语义相似性;它更适合诸如抄袭检测之类的事情。 Chunking ,或者将文档简化为轻量级解析树,也可以使用(有树的分类算法),但这对于诸如作者身份问题之类的问题更有用(“给定一个来源不明的文档,谁写的?”) .
也许对您的用例更有用的是概念挖掘,它涉及将单词映射到概念(使用同义词库,例如 WordNet ),然后根据所使用的概念之间的相似性对文档进行分类。这通常比基于单词的相似性分类更有效,因为从单词到概念的映射是简化的,但预处理步骤可能相当耗时。
最后,有 discourse parsing ,其中涉及解析文档的语义结构;您可以在话语树上运行相似性分类器,就像在分块文档上运行相似性分类器一样。
这些几乎都涉及从非结构化文本生成元数据;在原始文本 block 之间进行直接比较是很困难的,因此人们首先将文档预处理为元数据。
关于text - 有哪些经过验证且真实的推荐相关文章的算法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1254627/
我目前正在创建一个正则表达式来拆分所有匹配以下格式的字符串:&[text(text - text text) !text]。这里的文本实际上可以是任何字符。并且间距很重要。文本将如图所示列出。 我已经
这个问题在这里已经有了答案: Remove duplicate commas and extra commas at start/end with RegExp in Javascript, and
我有以下代码。 from xml.dom.minidom import Document doc = Document() root = doc.createElement('root') doc.a
这个问题在这里已经有了答案: 关闭 10 年前。 Possible Duplicate: Find text string in jQuery and make it bold 如何使用 jQuer
我使用 libmagic 在我的元素的 Web 界面中获取文件的 MIME 类型。我在 css 和 js 文件上得到文本/纯 mime 类型。 例如 chromium 显示以下警告: Resource
起初我必须阅读很多教程,但我仍然不知道我做错了什么...... 我想内联使用 4 个 div。在我想放置的那些 div 中:文本、图像、文本、文本。我希望中间文本自动设置为最大宽度。 我写了一个简单的
我想替换所有出现的 [b: "text"]至text使用 JavaScript 和 RegEx。目前我知道如何替换 [b: ""]至使用'/\[b: ""\]/g'但我不知道如果 " 之间有文本该怎么
这可能是一个幼稚的问题,但我想知道是否有比使用 text() 更好的方法将文本添加到绘图中。注意,我也在使用 layout()以及。具体来说,我有一个情节的一部分,我想在其中添加一些带有标题的文本,然
我必须反复从 latex 源粘贴代码,因此每次都必须做很多查找和替换操作('“a'=>'ä','” o'=>'ö',...) 。 有没有一种方法可以存储这些搜索和替换规则,例如,我可以通过一次按键执行
当我在Sublime Text 3代码屏幕中编写代码时,它连续地向右滑动,如图所示。我该怎么办? 请注意第10行。 最佳答案 如果您只想为当前 View (正在编辑的当前文件)激活自动换行,只需vie
是否有可能更改 sublime text 中的默认字体目录?我只想使用可移植 sublime 文本存储在我的 pendrive 上的字体,这样我就不必在我使用可移植 sublime 文本的每台机器上安
我是 Android 开发的新手,我有一个愚蠢的问题。如何将“文本字段”框放在一行中的文本旁边。 例子: Please Enter the number: [ ] 关于 "t
我想自动将“我的文本”更改为“我的文本”,因为这是用德语写的正确方式。引号可以在文本中的任何位置。 有没有一种简单的方法可以实现这一点? 解决方案应该检查第一个字符,最后一个字符,比如“this”,或
我想知道是否有特殊的语法来绑定(bind)与现有文本连接的文本。 像这样。 显然,这行不通。 什么是最佳实践? 使用 SL4。 最佳答案 使用StringFormat在 Binding 上。 WPF
我认为它应该打印“真实文本”,因为它相当于 true console.log('true text' || true ? 'text' : 'text1'); 但是,输出是“文本”;抱歉,如果是愚蠢的
有没有办法通过 css 打破文本,以便中间有一个“空白”?目前我正在通过手工打破文本来解决这个问题 -但这是愚蠢的。我知道有一个函数可以让文本在另一个 div 中结束和开始,但 IE 不支持它。 文本
我想为我的Tcl/Tk工具实现一个效果:在text控件中,根据具体情况,希望高亮一些线条的背景色,其他线条正常透明.有可能吗? 我尝试了一些选项,例如:-highlightbackground 、-i
我正在尝试解析原始维基百科文章内容,例如the article on Sweden ,使用re.sub()。但是,我在尝试替换 {{some text}} block 时遇到了问题,因为它们可以包含更
我试图先删除 ComboBox 中的所有内容。然后在其前面添加文本,但保留了一些旧文本。有没有办法重置或清除 ComboBox?或者我怎样才能最好地实现这一目标? public void GetBad
我知道我们应该创建 Example对象并将其传递给 nlp.update() 方法。根据 docs 中的示例, 我们有 for raw_text, entity_offsets in train_da
我是一名优秀的程序员,十分优秀!