- 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?
我正在从事一个 NLP 项目,我想搜索文本语料库以尝试找到给定动词-宾语对的频率。
我们的目标是在给出几种不同的可能性时找到最有可能的动词-宾语对。例如,如果给定字符串“Swing the Stick”和“Eat the Stick”,我希望语料库能够显示某人挥动一根棍子的可能性比吃一根棍子的可能性大得多。
我一直在阅读有关 n-gram 和语料库语言学的内容,但我正在努力寻找使用 Java 执行此类搜索的方法,是否有任何可能有用的 API?
最佳答案
如果您正在寻找字符串相关性和频率,您也许可以使用使用 TF-IDF 指标和余弦相似度的非常简单的模型。我认为如果你将字符串分成小块,并让每个字符串代表一个文档,你可以用一种非常简单的方式来做到这一点。
简而言之,TF 是词频 - 计算某个单词在给定文档中存在的总次数。因此,考虑您的示例,并向其中添加更多信息:
文档1:挥动棍子。吃胡萝卜棒。
文档2:挥动口香糖棒。
TF 值为:文档1:
swing: 1
the: 2
stick: 2
eat: 1
of: 1
carrot: 1
文档2:
swing:1
the:1
stick:1
of:1
gum:1
IDF 是逆文档频率。哪个是 - 给定的单词存在于多少个文档中?该度量标准用于帮助我们删除诸如“the”和“of”之类非常频繁的单词,但不会给我们提供大量语言信息。
回到你的例子:文档1:挥动棍子。吃胡萝卜棒。
文档2:挥动口香糖棒。
IDF 值为(所有文档通用):
swing: 2 (it occurs in 2 documents)
the: 2
stick: 2
eat: 1
of: 2
carrot: 1
gum:1
使用此计算文档中每个单词的 TF * IDF 值,并开发一个 vector 来表示文档:swing:2(出现在2个文档中)
文档1:
the: (TF:2 * IDF:2) = 4
stick: (TF:2 * IDF:2) = 4
eat: (TF: 1 * IDF:1) = 1
of: (TF: 1 * IDF:2) = 2
carrot: (TF: 1 * IDF:1) = 1
gum:(TF:0 * IDF:1) = 0 (gum doesnt exist in doc1 so TF=0)
文档2:
the: (TF:1 * IDF:2) = 2
stick: (TF:1 * IDF:2) = 2
eat: (TF:0 * IDF:1) = 0
of: (TF:1 * IDF:2) = 2
carrot: (TF:0 * IDF:1) = 0
gum:(TF:1 * IDF:1) =1
现在您已经有了代表每个文档的 vector ,您可以通过计算 vector 之间的点积来计算 vector 之间的角度,从而计算它们之间的相似度。
文档2。 Doc1 =(顺序无关紧要)
the = (doc2: 2 * doc1: 4) = 8
stick: (doc2: 2 * doc1: 4) = 8
eat: (doc2: 0 * doc1: 1) = 0
of: (doc2: 2 * doc1: 2) = 4
carrot: (doc2: 0 * doc1: 1) = 0
gum:(doc2:1 * doc1: 0) = 0
vector 的大小是两个 vector 之间的平方和的平方根:在这种情况下,Doc1和Doc 2之间的距离大小为:
root(8^2 + 8^2 + 0^2 + 4^2 + 0^2 + 0^2) = 12
一旦您了解了所有文档或字符串之间的距离大小,您就可以找出哪些文档或字符串最相似,并且最有可能相邻出现。两根弦之间的距离越小,它们就越近。如果两个弦的大小比较接近,则它们相似。
TF 和 IDF 分数通常会转换为对数值,以便轻松计算其下游函数。
斯坦福信息检索一书中有一个很棒的教程(第 6 章),可以在这里找到:http://nlp.stanford.edu/IR-book/
此外,还有一些 Perl 代码,以及一些快速而肮脏的解释: http://nlp-stuff.blogspot.com/2012/09/toy-example-for-computing-document.html http://nlp-stuff.blogspot.com/2012/09/toy-example-for-computing-tfidf.html
关于java - 如何搜索语料库以查找字符串的频率?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23030234/
我在我的应用程序中使用 Hibernate Search。其中一个子集合被映射为 IndexedEmbedded。子对象有两个字段,一个是 id,另一个是日期(使用日期分辨率到毫秒)。当我搜索 id=
The App Engine Search API有一个 GeoPoint 字段。可以用它来进行半径搜索吗?例如,给定一个 GeoPoint,查找位于特定半径内的所有文档。 截至目前,它看起来像 Ge
客户对我正在做的员工管理项目提出了这个新要求,以允许他们的用户进行自定义 bool 搜索。 基本上允许他们使用:AND、OR、NOT、括号和引号。 实现它的最佳方法是什么?我检查了 mysql,它们使
很想知道哪个更快 - 如果我有一个包含 25000 个键值对的数组和一个包含相同信息的 MySQL 数据库,搜索哪个会更快? 非常感谢大家! 最佳答案 回答这个问题的最好方法是执行基准测试。 关于ph
我喜欢 smartcase,也喜欢 * 和 # 搜索命令。但我更希望 * 和 # 搜索命令区分大小写,而/和 ?搜索命令遵循 smartcase 启发式。 是否有隐藏在某个地方我还没有找到的设置?我宁
我有以下 Marklogic 查询,当在查询控制台中运行时,它允许我检索具有管理员权限的系统用户: xquery version "1.0-ml"; import schema namespace b
我希望当您搜索例如“A”时,所有以“A”开头的全名都会出现。因此,如果名为“Andreas blabla”的用户将显示 我现在有这个: $query = "SELECT full_name, id,
我想在我的网站上添加对人名的搜索。好友列表已经显示在页面上。 我喜欢 Facebook 这样做的方式,您开始输入姓名,Facebook 只会显示与查询匹配的好友。 http://cl.ly/2t2V0
您好,我在我的网站上进行搜索时遇到此错误。 Fatal error: Uncaught Error: Call to undefined function mysql_connect() in /ho
声明( 叠甲 ):鄙人水平有限,本文为作者的学习总结,仅供参考。 1. 搜索介绍 搜索算法包括深度优先搜索(DFS)和广度优先搜索(BFS)这两种,从起点开始,逐渐扩大
我正在为用户列表使用 FuturBuilder。我通过 futur: fetchpost() 通过 API 获取用户。在专栏的开头,我实现了一个搜索栏。那么我该如何实现我的搜索栏正在搜索呢? Cont
我正在使用 MVC5,我想搜索结果并停留在同一页面,这是我在 Controller (LiaisonsProjetsPPController) 中执行搜索操作的方法: public ActionRes
Azure 搜索中的两种方法 Upload 与 MergeOrUpload 之间有什么区别。 他们都做完全相同的事情。即,如果文档不存在,它们都会上传文档;如果文档已经存在,则替换该文档。 由于这两种
实际上,声音匹配/搜索的当前状态是什么?我目前正在远程参与规划一个 Web 应用程序,该应用程序将包含和公开记录的短音频剪辑(最多 3-5 秒,人名)的数据库。已经提出了一个问题,是否可以实现基于用户
在商业应用程序中,具有数百个面并不罕见。当然,并非所有产品都带有所有这些标记。 但是在搜索时,我需要添加一个方面查询字符串参数,其中列出了我想要返回的所有方面。由于我事先不知道相关列表,因此我必须在查
当我使用nvcc 5.0编译.cu文件时,编译器会为我提供以下信息。 /usr/bin/ld: skipping incompatible /usr/local/cuda-5.0/lib/libcud
我正在使用基于丰富的 Lucene 查询解析器语法的 Azure 搜索。我将“~1”定义为距离符号的附加参数)。但我面临的问题是,即使存在完全匹配,实体也没有排序。 (例如,“blue~1”将返回“b
我目前有 3 个类,一个包含 GUI 的主类,我在其中调用此方法,一个包含数据的客户类,以及一个从客户类收集数据并将其放入数组列表的 customerList 类,以及还包含搜索数组列表方法。 我正在
假设我有多个 6 字符的字母数字字符串。 abc123、abc231、abc456、cba123、bac231 和 bac123 。 基本上我想要一个可以搜索和列出所有 abc 实例的选择语句。 我只
我有这个表 "Table"内容: +--------+ | Serial | +--------+ | d100m | <- expected result | D100M | <- expect
我是一名优秀的程序员,十分优秀!