- 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?
我一直在从事一个关于句子相似度的项目。我知道它已经被问过很多次了,但我只是想知道我的问题是否可以通过我正在做的方式使用的方法来完成,或者我应该改变我解决问题的方法。粗略地说,系统应该分割一篇文章的所有句子,并在输入系统的其他文章中找到相似的句子。
我使用余弦相似度和 tf-idf 权重,这就是我的做法。
1-首先,我将所有文章分成句子,然后为每个句子生成三元组并对它们进行排序(应该吗?)。
2-我计算三元组的 tf-idf 权重并为所有句子创建向量。
3-我计算原始句子和要比较的句子的点积和大小。然后计算余弦相似度。
但是,系统并没有按照我的预期运行。说到这里,我心里有一些疑问。
据我读过有关 tf-idf 权重的内容,我想它们对于查找类似的“文档”更有用。由于我正在处理句子,因此我通过更改 tf 和 idf 定义公式的一些变量(而不是我尝试提出基于句子的定义的文档)来稍微修改了算法。
tf = 句子中三元出现的次数/句子中所有三元的数量
idf = 所有文章中的所有句子数/出现三元组的句子数
你认为用这样的定义来解决这个问题可以吗?
还有一个是我在计算余弦相似度时看到多次提到归一化。我猜这很重要,因为三元组向量可能大小不同(在我的情况下很少有)。如果一个三元向量的大小为 x,另一个向量的大小为 x+1,那么我将第一个向量视为 x+1 的大小,最后一个值为 0。这就是归一化的含义吗?如果不是,我该如何进行标准化?
除了这些,如果我选择了错误的算法,还有什么可以用于解决此类问题(最好使用 n-gram 方法)?
提前谢谢您。
最佳答案
我不知道你为什么要对每个句子的卦进行排序。计算余弦相似度时,您需要关心的是两个句子中是否出现相同的三元词以及出现的频率。从概念上讲,您在所有可能的三元组中定义了一个固定且通用的顺序。请记住,所有句子的顺序必须相同。如果可能的三元组数为 N,那么对于每个句子,您将获得一个维度为 N 的向量。如果某个三元组没有出现,则将向量中的相应值设置为零。您实际上并不需要存储零,但在定义点积时必须处理它们。
话虽如此,三元组并不是一个好的选择,因为匹配的机会很少。对于高 k,您将从 k 个连续单词的包中获得更好的结果,而不是 k-gram。请注意,袋子内的顺序并不重要,它是一套。您使用的是 k=3 k-gram,但这似乎偏高,尤其是对于句子。要么下降到二元组,要么使用不同长度的袋子,从 1 开始。最好两者都使用。
我相信您已经注意到,不使用精确三元组的句子在您的方法中具有 0 相似度。 K-词袋会有所缓解,但并不能彻底解决问题。因为现在你需要句子来分享实际的单词。两个句子可能相似,但不使用相同的单词。有几种方法可以解决这个问题。使用 LSI(潜在语义索引)或单词聚类并使用聚类标签来定义余弦相似度。
为了计算向量 x 和 y 之间的余弦相似度,您需要计算点积并除以 x 和 y 的范数。向量 x 的 2-范数可以计算为分量平方和的平方根。但是,您还应该在没有任何标准化的情况下尝试您的算法进行比较。通常它工作得很好,因为在计算术语频率 (tf) 时,您已经考虑了句子的相对大小。
希望这有帮助。
关于similarity - 使用余弦相似度测量的 n 元句子相似度,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4037174/
我在网上搜索但没有找到任何合适的文章解释如何使用 javascript 使用 WCF 服务,尤其是 WebScriptEndpoint。 任何人都可以对此给出任何指导吗? 谢谢 最佳答案 这是一篇关于
我正在编写一个将运行 Linux 命令的 C 程序,例如: cat/etc/passwd | grep 列表 |剪切-c 1-5 我没有任何结果 *这里 parent 等待第一个 child (chi
所以我正在尝试处理文件上传,然后将该文件作为二进制文件存储到数据库中。在我存储它之后,我尝试在给定的 URL 上提供文件。我似乎找不到适合这里的方法。我需要使用数据库,因为我使用 Google 应用引
我正在尝试制作一个宏,将下面的公式添加到单元格中,然后将其拖到整个列中并在 H 列中复制相同的公式 我想在 F 和 H 列中输入公式的数据 Range("F1").formula = "=IF(ISE
问题类似于this one ,但我想使用 OperatorPrecedenceParser 解析带有函数应用程序的表达式在 FParsec . 这是我的 AST: type Expression =
我想通过使用 sequelize 和 node.js 将这个查询更改为代码取决于在哪里 select COUNT(gender) as genderCount from customers where
我正在使用GNU bash,版本5.0.3(1)-发行版(x86_64-pc-linux-gnu),我想知道为什么简单的赋值语句会出现语法错误: #/bin/bash var1=/tmp
这里,为什么我的代码在 IE 中不起作用。我的代码适用于所有浏览器。没有问题。但是当我在 IE 上运行我的项目时,它发现错误。 而且我的 jquery 类和 insertadjacentHTMl 也不
我正在尝试更改标签的innerHTML。我无权访问该表单,因此无法编辑 HTML。标签具有的唯一标识符是“for”属性。 这是输入和标签的结构:
我有一个页面,我可以在其中返回用户帖子,可以使用一些 jquery 代码对这些帖子进行即时评论,在发布新评论后,我在帖子下插入新评论以及删除 按钮。问题是 Delete 按钮在新插入的元素上不起作用,
我有一个大约有 20 列的“管道分隔”文件。我只想使用 sha1sum 散列第一列,它是一个数字,如帐号,并按原样返回其余列。 使用 awk 或 sed 执行此操作的最佳方法是什么? Accounti
我需要将以下内容插入到我的表中...我的用户表有五列 id、用户名、密码、名称、条目。 (我还没有提交任何东西到条目中,我稍后会使用 php 来做)但由于某种原因我不断收到这个错误:#1054 - U
所以我试图有一个输入字段,我可以在其中输入任何字符,但然后将输入的值小写,删除任何非字母数字字符,留下“。”而不是空格。 例如,如果我输入: 地球的 70% 是水,-!*#$^^ & 30% 土地 输
我正在尝试做一些我认为非常简单的事情,但出于某种原因我没有得到想要的结果?我是 javascript 的新手,但对 java 有经验,所以我相信我没有使用某种正确的规则。 这是一个获取输入值、检查选择
我想使用 angularjs 从 mysql 数据库加载数据。 这就是应用程序的工作原理;用户登录,他们的用户名存储在 cookie 中。该用户名显示在主页上 我想获取这个值并通过 angularjs
我正在使用 autoLayout,我想在 UITableViewCell 上放置一个 UIlabel,它应该始终位于单元格的右侧和右侧的中心。 这就是我想要实现的目标 所以在这里你可以看到我正在谈论的
我需要与 MySql 等效的 elasticsearch 查询。我的 sql 查询: SELECT DISTINCT t.product_id AS id FROM tbl_sup_price t
我正在实现代码以使用 JSON。 func setup() { if let flickrURL = NSURL(string: "https://api.flickr.com/
我尝试使用for循环声明变量,然后测试cols和rols是否相同。如果是,它将运行递归函数。但是,我在 javascript 中执行 do 时遇到问题。有人可以帮忙吗? 现在,在比较 col.1 和
我举了一个我正在处理的问题的简短示例。 HTML代码: 1 2 3 CSS 代码: .BB a:hover{ color: #000; } .BB > li:after {
我是一名优秀的程序员,十分优秀!