- 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 GlassFish (J2EE_1.4) 上的 NetBeans 中开发企业项目。我的项目中有一些实体 bean、一些 session bean 和消息驱动 bean。我以如下方式使用 serv
什么在速度方面更好...... 我正在尝试确定用户是否已将某个 URL 添加到他们的快捷方式列表中。如果他们添加了 URL,页面上就会有一个链接,用于从快捷方式中删除该页面,否则他们可以将其添加到快捷
我的问题如下: 我打开一个Excel-File,但我不知道我的客户在模板文件中使用了哪些可能的标头变量。它们可以是:#DATE,#TIME,#NAME等。因此,我需要查找这些变量,以及是否已使用过:替
我有一堆以“-e”结尾的文件要删除。 $ find . -name "*-e" exec rm {} \; find: exec: unknown primary or operator 正则表达式是
我有一个简单的问题:是否可以在 TypeScript 中获取联合的一部分的类型? 例如,您可以经常使用如下查找类型: interface Person { name: string; } type
我正在尝试设置 Point Cloud Library启用 CUDA 选项的主干构建。 我相信我已经按照 these instructions 正确安装了 CUDA . 在 PCL 构建的 cmake
我将首先说我所知道的唯一 VBA 是操作录制的宏的反复试验。我是一名注册会计师,试图以艰难的方式学习 VBA(并希望我去学校学习计算机编程!)。 我有带有多个工作表的大型工作簿。 G 列中以黄色突出显
当文件数达到阈值时,我试图删除目录中最旧的文件。 list_of_files = os.listdir('log') if len([name for name in list_of_files
我有一个数组,它有一些重复的值。 我必须计算每个重复项的数量及其索引。 打印如: Index of b: 1 Index of b: 4 Index of c: 2 Index of c: 3 Ind
我已经搜索了我的问题的解决方案,但没有成功。热键 ctrl+F 找到的 eclipse 查找/替换功能不起作用。注意:通过 Eclipse 菜单 Edit>Find Replace(不工作我的意思是
我想检查 div 是否包含类为“error”的子级,但条件是错误类显示不等于无。 (意味着错误类必须可见。 如何更改我的以下代码: $(".related_field").each(function
这个问题已经有答案了: 已关闭13 年前。 Possible Duplicate: Can jQuery provide the tag name? 嗨! 这个问题太基础了,我不好意思问,但我尝试了
我一直听说这是 cygwin 的路径问题。它阻止了 emacs 在我的 cygwin 中工作。当我在 cli(不是 bash/cygwin)上执行 find 时,无论我输入什么,我都会得到同样的错误。
我正在使用此变量来获取一个或多个与我需要的值相匹配的值。 var mail = $("#dat").contents().find("td:contains('" + name + "')" ).si
请原谅这个长问题。我只是不确定解决这个问题的最佳方法是什么。 我有一个电子表格(Google 表格),其中包含用户和地址列表,我需要从中创建邮寄标签。该电子表格是从我们的学生信息系统导出的。这些地址应
我正在 Excel VBA 中创建一个公式,以解析单元格中以逗号分隔的“部分”列表。在另一个工作表中查找具有该零件名称的单元格,然后使用找到的该单元格的地址来获取同一行不同列的零件成本。我为此工作了数
我被要求在网络应用程序上实现一些电子邮件地址验证 - 我确信我们都已经经历过一千次了...但是,这一次我被要求在域上进行 MX 查找查看它是否接受电子邮件。 有人知道这样做有任何潜在的问题吗? mx
我有一个切换按钮,可读取.wave文件,并且字符串更改为暂停,然后..... 我的问题是,当用户播放声音时,按钮字符串更改为暂停,结束声音后,该字符串仍为暂停状态,我想将其更改为播放。但是我不知道如何
对于令人困惑的标题提前表示歉意。我的问题如下,我在大约 600 个文件中有以下文本: $_REQUEST['FOO'] 我想将其替换为以下内容: $this->input->post('FOO') 为
我正在使用 Ansible 的查找功能查找 INI 文件中的值。这是文档中的示例: - debug: msg="User in integration is {{ lookup('ini', 'use
我是一名优秀的程序员,十分优秀!